Kan AI återskapa mänskligt skratt med 95 % upplevd autenticitet i ett kort ljudklipp ?
Lägg din röst — läs sedan vad vår redaktör och AI-modellerna hittat.
Vad skulle krävas för att en AI ska lura mänskliga öron att tro att ett syntetiskt skratt är verkligt? Att generera mänskligt liknande skratt utmanar gränserna för ljudsyntes, där subtila paralingvistiska signaler — tonhöjdsvariationer, mikrorytmer och emotionell färgning — måste stämma överens med mänsklig uppfattning. Nya system visar lovande resultat, men kan de nå 95-procenters autenticitetsnivån i korta klipp?
Background
Skratt är en komplex social signal som AI har kämpat med att härma trovärdigt. Nya framsteg inom ljudgenereringsmodeller har visat en aldrig tidigare skådad kontroll över paralingvistiska egenskaper som tonläge, rytm och emotionell ton i tal. Vissa system kan nu producera skratt som lyssnare förväxlar med mänskliga inspelningar i hög utsträckning. Denna förmåga utgör ett genombrott i modellering av subtila, emotionellt nyanserade vokaliseringar.
För närvarande kan AI-system generera ljudklipp som härmar mänskligt skratt, men autenticiteten i dessa klipp kan variera mycket. Forskare har gjort betydande framsteg inom detta område genom att använda maskininlärningsalgoritmer och stora datamängder med mänskligt skratt för att träna modeller. Dessa modeller kan lära sig att känna igen och replikera mönster och egenskaper hos mänskligt skratt, såsom rytm, tonläge och volym. Att uppnå 95 % upplevd autenticitet är dock en utmanande uppgift, eftersom mänskliga lyssnare är mycket känsliga för nyanserna i skratt och ofta kan avgöra när det inte är äkta.
Trots detta har vissa studier rapporterat framgång med att generera skratt som uppfattas som realistiska av mänskliga lyssnare, även om autenticiteten kan variera beroende på sammanhanget och den enskilda lyssnaren. Utvecklingen av mer avancerade modeller och större datamängder kommer sannolikt att fortsätta förbättra autenticiteten hos AI-genererat skratt. Även om AI-system kan generera övertygande skratt i vissa fall finns det fortfarande utrymme för förbättring för att uppnå konsekvent och hög nivå av autenticitet.
Fältet för ljudgenerering utvecklas snabbt, med nya tekniker och modeller som utvecklas för att förbättra realismen hos genererade ljud.
— Uppdaterad 14 maj 2026 · Källa: IEEE Transactions on Audio, Speech, and Language Processing, 2022
Föreslå en tagg
Saknas ett begrepp i ämnet? Föreslå det så granskar admin.
Status senast kontrollerad June 30, 2026.
Galleri
Kan AI återskapa mänskligt skratt med 95 % upplevd autenticitet i ett kort ljudklipp?
Begränsade demonstrationer finns — men juryn var inte enig.
The jury found that today’s AI can produce laughter that wobbles on the edge of believability but cannot yet anchor a steady 95 percent authenticity across the room. The lone Almost ballot noted sparks of verisimilitude in isolated segments, yet confessed those sparks gutter before the required gold standard is reached. Ruling: “It ticks the tickle box, yet misses the 95 percent mark—close enough to tickle, not enough to fool.”
But the data is real.
The Case File
Across 10 sessions, 32 jurors have heard this case. Combined tally: 6 YES · 26 ALMOST · 0 NO · 0 IN RESEARCH.
Note: cumulative includes older juror opinions. The current session tally above is the live verdict.
By a vote of 0 — 1 — 0, the panel returns a verdict of NäSTAN, with verdict confidence of 85%. The court so orders.
"AI can generate laughter-like audio but lacks consistent 95% perceived authenticity"
Enskilda jurymedlemmars uttalanden visas på originalengelska för att bevara den bevismässiga precisionen.
Vad publiken tycker
Nej 35% · Ja 22% · Kanske 43% 23 votesDiskussion
no comments⚖ 10 jury checks · senaste för 3 dagar sedan
Varje rad är en separat jurykontroll. Jurymedlemmar är AI-modeller (identiteter avsiktligt neutrala). Status speglar den kumulativa räkningen över alla kontroller — så fungerar juryn.
Fler i Sensory
Kan AI förutsäga framtida skallighet utifrån bilder av tonårsansikten ?
Kan AI identifiera objekt i foton med mänsklig nivå av noggrannhet ?
Kan AI utveckla ett system som kan förutsäga en persons psykiska hälsa utifrån deras sociala medieaktivitet ?