Czy AI może skopiować głos aktora? Scarlett Johansson, synteza głosu i ochrona dóbr osobistych

Czy sztuczna inteligencja może przemówić głosem łudząco podobnym do głosu znanej aktorki, jeżeli nie wykorzystano żadnego z jej oryginalnych nagrań? Czy wystarczy zatrudnić inną osobę o podobnej barwie głosu? A może charakterystyczny sposób mówienia stanowi część tożsamości człowieka, której nie wolno komercyjnie przejmować bez jego zgody?

Spór dotyczący Scarlett Johansson i głosu „Sky”, udostępnionego w ChatGPT, pokazał, że ochrona tożsamości w epoce generatywnej AI nie może ograniczać się do nazwiska i wizerunku. Człowieka można rozpoznać również po barwie głosu, intonacji, akcencie, rytmie wypowiedzi i charakterystycznym sposobie artykulacji.

Problem staje się szczególnie wyraźny wtedy, gdy syntetyczny głos nie jest techniczną kopią nagrania, lecz został zaprojektowany tak, aby jedynie wywoływać skojarzenie z konkretną osobą. Dla odbiorcy różnica może być niemal niezauważalna. Dla prawnika ma ona zasadnicze znaczenie.

Czy głos jest chroniony jako dobro osobiste? Czy stworzenie głosu typu sound-alike może naruszać prawo, nawet jeśli nagrania aktora nie zostały skopiowane? Jakie znaczenie mają prawa do artystycznego wykonania, ochrona danych osobowych i AI Act? Kto może odpowiadać za nieuprawnione użycie syntetycznego głosu?

Scarlett Johansson i głos „Sky” – czego dotyczył spór?

W maju 2024 roku OpenAI zaprezentowało możliwości głosowe modelu GPT-4o. Jednym z dostępnych wcześniej głosów ChatGPT był kobiecy głos nazwany „Sky”. Sposób jego brzmienia zaczął być publicznie porównywany do głosu Scarlett Johansson, która w filmie Her z 2013 roku użyczyła głosu systemowi operacyjnemu wyposażonemu w sztuczną inteligencję. Aktorka poinformowała, że we wrześniu 2023 roku Sam Altman zwrócił się do niej z propozycją użyczenia głosu systemowi ChatGPT. Johansson nie przyjęła oferty. Według jej relacji OpenAI ponowiło próbę kontaktu na krótko przed prezentacją GPT-4o.

Po demonstracji aktorka miała otrzymać liczne wiadomości od osób przekonanych, że głos systemu należy do niej. Jej pełnomocnicy zwrócili się do OpenAI o wyjaśnienie sposobu stworzenia głosu „Sky”. Firma następnie wstrzymała jego wykorzystywanie.

OpenAI zaprzeczyło, aby głos „Sky” stanowił imitację Scarlett Johansson. Według oficjalnego stanowiska należał on do innej profesjonalnej aktorki, posługującej się swoim naturalnym głosem, a proces castingu rozpoczął się przed kontaktem ze Scarlett Johansson. Firma podkreśliła również, że głosy systemów AI nie powinny celowo naśladować charakterystycznych głosów osób publicznych. Stanowisko OpenAI

Spór nie zakończył się opublikowanym wyrokiem, który przesądzałby odpowiedzialność OpenAI. Nie należy więc pisać, że Scarlett Johansson „wygrała sprawę” albo że sąd potwierdził skopiowanie jej głosu. Publicznie znane pozostają przede wszystkim twierdzenia aktorki, odpowiedź przedsiębiorstwa i decyzja o wycofaniu głosu.

Prawnie najciekawsze pytanie brzmi jednak inaczej: czy stworzenie głosu rozpoznawalnie podobnego do głosu konkretnej osoby może być bezprawne, nawet jeśli został nagrany przez innego aktora?

Kopia nagrania, klon głosu i głos podobny – trzy różne sytuacje

W debacie publicznej pojęcie „skopiowania głosu” obejmuje kilka odmiennych procesów.

1. Wykorzystanie oryginalnego nagrania

Najprostszy przypadek polega na użyciu fragmentu istniejącej wypowiedzi, filmu, audiobooka, reklamy albo nagrania demonstracyjnego. Może wówczas dojść do ingerencji w:

prawa do fonogramu;
prawa do artystycznego wykonania;
autorskie prawa majątkowe do utworu;
dobra osobiste osoby mówiącej;
prawo do prywatności;
ochronę danych osobowych;
postanowienia umowy regulującej pierwotne nagranie.

Samo umieszczenie nagrania w internecie nie oznacza zgody na wykorzystanie go do trenowania modelu, stworzenia repliki głosu ani wygenerowania nowych wypowiedzi.

2. Klonowanie głosu na podstawie próbek

Klonowanie głosu polega na wykorzystaniu próbek głosu konkretnej osoby do zbudowania modelu zdolnego generować nowe wypowiedzi brzmiące tak, jakby wypowiadała je ta osoba. Wygenerowane zdania mogą nigdy wcześniej nie zostać przez nią wypowiedziane. System odwzorowuje jednak cechy pozwalające na jej identyfikację: barwę, tempo, akcent, intonację, sposób oddychania, charakterystyczne pauzy czy ekspresję emocjonalną. W takim przypadku przedmiotem ingerencji nie jest wyłącznie istniejące nagranie. Technologia umożliwia przejęcie funkcjonalnego odpowiednika głosu i wykorzystanie go do tworzenia potencjalnie nieograniczonej liczby nowych treści.

3. Zatrudnienie aktora o podobnym głosie

Najbardziej problematyczna sytuacja zachodzi wtedy, gdy nie użyto nagrań konkretnej osoby, lecz zatrudniono innego aktora albo zaprojektowano syntetyczny głos tak, aby był podobny do znanej barwy i sposobu mówienia. Nie występuje wówczas klasyczne kopiowanie fonogramu. Nadal może jednak dojść do przywłaszczenia elementu tożsamości, wywołania mylnego wrażenia udziału danej osoby albo wykorzystania jej renomy do promocji produktu.

Właśnie do tej kategorii należy potencjalny spór dotyczący głosu „Sky”.

Czy człowiek ma prawo do własnego głosu?

Polski Kodeks cywilny nie wymienia głosu wprost w katalogu dóbr osobistych. Nie oznacza to jednak, że głos pozostaje pozbawiony ochrony. Katalog z art. 23 k.c. ma charakter otwarty. Wśród chronionych wartości przepis wymienia między innymi nazwisko, pseudonim, wizerunek, cześć, prywatność i twórczość artystyczną. Rozwój społeczny i technologiczny może prowadzić do identyfikowania kolejnych dóbr osobistych albo nowych sposobów ingerencji w dobra już rozpoznane.

W wyroku z 3 października 2007 roku, sygn. II CSK 207/07, Sąd Najwyższy wskazał, że prawo do ludzkiego głosu należy traktować jako „dźwięczny wizerunek”, pod warunkiem że głos jest rozpoznawalny dla osób trzecich. Nowsze orzecznictwo idzie jeszcze dalej. W wyroku z 7 marca 2023 roku, sygn. II CSKP 659/22, Sąd Najwyższy potraktował głos jako samodzielne dobro osobiste. Obejmuje ono jego elementy wyróżniające, w szczególności barwę i skalę, które pozwalają zidentyfikować konkretną osobę.

Ma to zasadnicze znaczenie dla generatywnej AI. Ochrona nie musi ograniczać się do opublikowania autentycznego nagrania. Ingerencją może być także cyfrowe przekształcenie lub odtworzenie głosu w sposób prowadzący do fałszywego przypisania danej osobie wypowiedzi, której w rzeczywistości nie udzieliła.

Kiedy podobieństwo głosu może naruszać dobra osobiste?

Nie każde podobieństwo między dwoma głosami będzie bezprawne. Ludzkie głosy nie są całkowicie niepowtarzalne, a sama zbieżność barwy lub akcentu nie może prowadzić do monopolizacji określonego sposobu mówienia. Dla oceny naruszenia istotne mogą być jednak następujące okoliczności:

stopień podobieństwa głosów;
rozpoznawalność osoby;
charakterystyczność jej głosu;
sposób wyboru aktora lub projektowania modelu;
wykorzystanie nagrań tej osoby w procesie tworzenia systemu;
wcześniejsza propozycja zawarcia umowy i jej odrzucenie;
instrukcje przekazane aktorowi głosowemu;
marketingowy kontekst wykorzystania głosu;
nawiązania do ról, utworów lub wypowiedzi danej osoby;
reakcja przeciętnego odbiorcy;
rzeczywiste przypadki pomylenia głosu;
komercyjna korzyść uzyskana dzięki skojarzeniu;
umieszczenie informacji wyjaśniającej, że jest to głos syntetyczny;
ryzyko przypisania osobie poglądów lub zachowań, których nie prezentowała.

W przypadku Scarlett Johansson szczególne znaczenie mogłoby mieć zestawienie kilku elementów: wcześniejszej propozycji współpracy, odmowy aktorki, podobieństwa głosu, kontekstu filmu Her oraz opublikowania przez Sama Altmana krótkiego wpisu „her” po prezentacji GPT-4o.

Każda z tych okoliczności analizowana osobno mogłaby być niewystarczająca. Łącznie mogą jednak służyć do badania, czy podobieństwo było przypadkowe, czy zamierzone.

Czy głos jest chroniony przez prawo autorskie?

Sam głos, rozumiany jako barwa lub właściwość fizyczna człowieka, co do zasady nie jest utworem. Nie stanowi samodzielnego rezultatu działalności twórczej o indywidualnym charakterze. Nie oznacza to, że prawo autorskie pozostaje bez znaczenia. Ochroną mogą być objęte:

tekst wypowiedzi, jeżeli ma twórczy charakter;
artystyczne wykonanie utworu;
nagranie stanowiące fonogram;
utwór audiowizualny, z którego pochodzi głos;
sposób aktorskiej interpretacji roli;
muzyka, dialog lub scenariusz;
baza nagrań zgromadzona na potrzeby uczenia modelu.

Aktorowi, lektorowi lub wokaliście mogą przysługiwać prawa do artystycznego wykonania. Producentowi fonogramu albo filmu mogą natomiast przysługiwać odrębne prawa do utrwalenia.

Trzeba zatem oddzielić dwie kwestie:

czy legalnie wykorzystano nagranie lub artystyczne wykonanie;
czy legalnie wykorzystano głos jako element tożsamości człowieka.

Uzyskanie licencji do nagrania nie zawsze oznacza zgodę na stworzenie cyfrowej repliki wykonawcy. Z drugiej strony naruszenie prawa do głosu może wystąpić również wtedy, gdy nie skopiowano żadnego chronionego nagrania.

Czego uczą sprawy Bette Midler i Toma Waitsa?

Amerykańskie prawo znało problem imitacji głosu na długo przed powstaniem generatywnej AI. W sprawie Midler v. Ford Motor Co. producent samochodów chciał wykorzystać głos Bette Midler w reklamie. Po odmowie artystki zatrudniono jej byłą wokalistkę wspierającą i polecono jej możliwie dokładne naśladowanie głosu Midler.

Nie wykorzystano nazwiska ani wizerunku piosenkarki, a reklamodawca posiadał licencję na użycie utworu. Sąd apelacyjny uznał jednak, że charakterystyczny głos zawodowej piosenkarki stanowi element jej tożsamości i nie może być świadomie przejmowany w celach komercyjnych bez zgody. Midler v. Ford Motor Co. Podobny problem pojawił się w sprawie Waits v. Frito-Lay. Po odmowie Toma Waitsa zatrudniono osobę imitującą jego charakterystyczny, chrapliwy głos. Sąd utrzymał odpowiedzialność między innymi za przywłaszczenie głosu oraz fałszywe sugerowanie poparcia produktu przez artystę. Waits v. Frito-Lay

Obie sprawy dotyczyły ludzkich naśladowców, a nie syntezy AI. Ich znaczenie pozostaje jednak aktualne: bezprawne może być nie tylko odtworzenie nagrania, lecz także świadome stworzenie jego funkcjonalnego odpowiednika w celu wykorzystania rozpoznawalności konkretnej osoby.

Generatywna AI zmienia przede wszystkim skalę. Raz przygotowana replika może nagrać audiobook, prowadzić infolinię, reklamować produkt, wystąpić w grze albo przez całą dobę rozmawiać z użytkownikami w czasie rzeczywistym.

Głos jako dana osobowa

Nagranie głosu może stanowić daną osobową, jeżeli odnosi się do osoby zidentyfikowanej lub możliwej do zidentyfikowania.

Dotyczy to nie tylko nagrania opisanego imieniem i nazwiskiem. Identyfikacja może wynikać z samego brzmienia głosu, kontekstu wypowiedzi albo połączenia nagrania z innymi informacjami.

Przetwarzaniem danych może być między innymi:

nagrywanie głosu;
przechowywanie próbek;
analizowanie jego charakterystycznych cech;
tworzenie profilu głosowego;
wykorzystanie materiału do trenowania modelu;
wygenerowanie cyfrowej repliki;
udostępnienie syntetycznego głosu użytkownikom.

Nie każdy głos jest automatycznie daną biometryczną szczególnej kategorii. Zgodnie z RODO dane stają się danymi biometrycznymi, gdy wynikają ze specjalnego przetwarzania technicznego dotyczącego cech fizycznych, fizjologicznych lub behawioralnych i umożliwiają lub potwierdzają jednoznaczną identyfikację osoby.

Kluczowy jest zatem cel i sposób przetwarzania. Nagranie lektora wykorzystane do produkcji audiobooka może być zwykłą daną osobową. Wzorzec głosu wykorzystywany do uwierzytelniania klienta banku może stanowić daną biometryczną.

W przypadku modeli syntezy głosu kwalifikacja wymaga analizy technicznej. Sam fakt, że system potrafi odtworzyć głos, nie przesądza jeszcze, że przetwarza dane biometryczne w rozumieniu art. 4 pkt 14 RODO. Jeżeli jednak wyodrębnia cechy służące jednoznacznej identyfikacji, ryzyko takiej kwalifikacji zdecydowanie wzrasta.

Czy zgoda jest zawsze konieczna?

Zgoda nie jest jedyną podstawą przetwarzania danych osobowych. W praktyce komercyjnego klonowania głosu konkretnej osoby trudno jednak wskazać inną podstawę, która usprawiedliwiałaby stworzenie identyfikowalnej repliki i swobodne generowanie za jej pomocą nowych wypowiedzi.

Zgoda powinna być:

dobrowolna;
konkretna;
świadoma;
jednoznaczna;
odnosząca się do jasno określonych sposobów użycia.

Ogólna klauzula zezwalająca na „wykorzystanie nagrań we wszystkich znanych obecnie i przyszłych technologiach” może okazać się niewystarczająca, zwłaszcza w relacji pracowniczej albo konsumenckiej.

Umowa dotycząca głosu AI powinna określać co najmniej:

cel stworzenia repliki;
rodzaje dopuszczalnych treści;
języki i obszary wykorzystania;
okres obowiązywania licencji;
kanały eksploatacji;
możliwość tworzenia nowych wypowiedzi;
zasady modyfikowania emocji, akcentu i sposobu mówienia;
zakaz użycia w treściach politycznych, pornograficznych lub dyskryminacyjnych;
możliwość sublicencjonowania;
zasady wynagrodzenia;
obowiązek oznaczania treści jako syntetycznych;
prawo do audytu;
mechanizm wycofania lub dezaktywacji modelu;
sposób postępowania po rozwiązaniu umowy;
odpowiedzialność za użycie przez użytkowników końcowych;
zabezpieczenie modelu przed kradzieżą i nieautoryzowanym wykorzystaniem.

Zgoda na nagranie kilku zdań nie powinna być automatycznie utożsamiana ze zgodą na stworzenie cyfrowego sobowtóra zdolnego powiedzieć wszystko.

AI Act i obowiązek ujawniania syntetycznego głosu

Unijny AI Act nie tworzy kompleksowego prawa własności do głosu. Wprowadza jednak obowiązki transparentności dotyczące treści generowanych i modyfikowanych przez sztuczną inteligencję.

Za deepfake uznaje się wygenerowaną lub zmanipulowaną przez AI treść w postaci obrazu, dźwięku albo wideo, która przypomina istniejące osoby, przedmioty, miejsca lub zdarzenia i może zostać błędnie uznana za autentyczną.

Art. 50 AI Act przewiduje między innymi:

obowiązek projektowania rozwiązań pozwalających oznaczyć syntetyczne treści w formacie nadającym się do odczytu maszynowego;
obowiązek ujawnienia, że treść typu deepfake została sztucznie wygenerowana lub zmanipulowana;
szczególne zasady dla treści artystycznych, satyrycznych, fikcyjnych i analogicznych.

Przepisy dotyczące transparentności z art. 50 zaczęły być stosowane 2 sierpnia 2026 roku. Rozporządzenie (UE) 2024/1689 – AI Act

Oznaczenie materiału jako wygenerowanego przez AI nie legalizuje jednak naruszenia innych praw. Informacja „głos syntetyczny” nie zastępuje zgody aktora, nie usuwa naruszenia dóbr osobistych i nie uzdrawia bezprawnego wykorzystania nagrań.

Transparentność odpowiada na pytanie: „czy odbiorca wie, że materiał jest sztuczny?”. Ochrona dóbr osobistych odpowiada na inne pytanie: „czy wolno było użyć właśnie tożsamości tej osoby?”.

Czy syntetyczny głos zawsze jest deepfakiem?

Nie. Neutralny głos systemowy, który nie naśladuje istniejącej osoby, nie musi stanowić deepfake’u. Za deepfake może natomiast zostać uznana treść, która:

przypomina głos konkretnej osoby;
sprawia wrażenie autentycznej wypowiedzi;
przedstawia ją jako mówiącą słowa, których faktycznie nie wypowiedziała;
nie ma wyraźnie fikcyjnego lub parodystycznego charakteru.

Granica będzie szczególnie trudna w przypadku głosów jedynie „inspirowanych” konkretną osobą. Model może bowiem nie odtwarzać głosu jeden do jednego, a jednak zachowywać wystarczająco wiele jego cech, aby odbiorcy natychmiast rozpoznawali pierwowzór.

Czy głos można traktować jak wizerunek?

Tradycyjne rozumienie wizerunku koncentruje się na wyglądzie człowieka. Orzecznictwo dopuszcza jednak szersze podejście, w którym głos stanowi jego audialny odpowiednik – „dźwięczny wizerunek”. Takie ujęcie jest funkcjonalnie uzasadnione. Zarówno twarz, jak i głos pozwalają:

zidentyfikować człowieka;
odróżnić go od innych osób;
przypisać mu określone zachowanie lub wypowiedź;
wykorzystać jego rozpoznawalność;
wywołać wrażenie osobistego udziału w reklamie albo produkcji.

Nowsza koncepcja traktowania głosu jako samodzielnego dobra osobistego jest jednak bardziej precyzyjna. Pozwala uniknąć sztucznego rozszerzania pojęcia wizerunku i lepiej oddaje szczególne ryzyka związane z technologiami głosowymi.

Kto może odpowiadać za bezprawne sklonowanie głosu?

Łańcuch tworzenia syntetycznego głosu może obejmować wiele podmiotów:

dostawcę modelu;
przedsiębiorstwo oferujące usługę klonowania;
podmiot dostarczający dane treningowe;
producenta filmu, gry lub reklamy;
agencję marketingową;
klienta zamawiającego głos;
użytkownika końcowego;
platformę rozpowszechniającą materiał.

Odpowiedzialność nie musi obciążać wyłącznie przedsiębiorstwa, które stworzyło model. Kluczowe będzie ustalenie, kto:

pozyskał nagrania;
określił cel wykorzystania;
polecił naśladowanie konkretnej osoby;
zatwierdził podobieństwo;
opublikował treść;
osiągnął korzyść;
wiedział o braku zgody;
mógł zapobiec dalszemu rozpowszechnianiu.

Samo powołanie się na automatyczne działanie narzędzia AI nie wyłącza odpowiedzialności. Jeżeli użytkownik celowo poleca systemowi wygenerowanie wypowiedzi głosem znanej osoby, technologia pozostaje narzędziem wykonania jego decyzji.

Jakich roszczeń może dochodzić osoba, której głos sklonowano?

Na gruncie polskiego prawa osoba dotknięta naruszeniem może – zależnie od okoliczności – żądać:

zaniechania wykorzystywania głosu;
usunięcia nagrań lub dezaktywacji repliki;
zablokowania dalszego generowania treści;
usunięcia skutków naruszenia;
opublikowania oświadczenia lub przeprosin;
zapłaty zadośćuczynienia;
zapłaty odpowiedniej sumy na wskazany cel społeczny;
naprawienia szkody majątkowej;
wydania korzyści w ramach właściwego reżimu prawnego;
ochrony praw do artystycznego wykonania;
ochrony danych osobowych;
usunięcia danych, jeżeli istnieją ku temu przesłanki;
ograniczenia ich dalszego przetwarzania.

W sprawach pilnych można rozważyć wniosek o zabezpieczenie roszczenia, w szczególności przez czasowy zakaz rozpowszechniania materiału lub korzystania z określonego modelu głosowego do czasu zakończenia postępowania.

Dobór roszczeń powinien zależeć od celu klienta. Dla aktora najważniejsze może być natychmiastowe wycofanie głosu. Dla osoby, której głosu użyto w oszustwie, priorytetem może być zabezpieczenie dowodów, powstrzymanie dalszych publikacji oraz ustalenie sprawców.

Jak udowodnić, że AI naśladuje konkretną osobę?

To może być najtrudniejszy element sprawy. Warto zabezpieczyć:

oryginalny plik dźwiękowy;
datę i miejsce jego publikacji;
adres URL oraz dane konta;
metadane pliku;
nagranie sposobu działania aplikacji;
korespondencję dotyczącą zgody lub jej odmowy;
umowy zawarte z aktorem;
instrukcje i prompty użyte do wygenerowania materiału;
dokumentację procesu castingu;
próbki głosu wykorzystane do treningu;
logi systemowe;
publiczne wypowiedzi twórców produktu;
materiały marketingowe nawiązujące do danej osoby;
wiadomości od odbiorców, którzy rozpoznali głos;
dane dotyczące zasięgu i przychodów.

W bardziej złożonych sprawach potrzebna może być opinia biegłego z zakresu fonoskopii, akustyki mowy lub systemów sztucznej inteligencji.

Badanie nie powinno ograniczać się do ogólnego wrażenia, że „głosy brzmią podobnie”. Analizie mogą podlegać między innymi częstotliwość podstawowa, barwa, formanty, tempo mówienia, intonacja, prozodia, sposób artykulacji i charakterystyczne wzorce akustyczne.

Dowód techniczny nie zastąpi jednak oceny prawnej. Nawet znaczne podobieństwo nie przesądza jeszcze, w jaki sposób powstał głos ani czy jego wykorzystanie było bezprawne.

Czy potrzebna jest ekspertyza fonoskopijna?

Nie w każdej sprawie. Jeżeli głos został wprost oznaczony nazwiskiem danej osoby albo twórca przyznał, że użył jej próbek, spór może koncentrować się na zgodzie i zakresie licencji.

Ekspertyza będzie szczególnie przydatna, gdy pozwany twierdzi, że:

podobieństwo jest przypadkowe;
głos należy do innego aktora;
nie korzystano z nagrań powoda;
model został wytrenowany na legalnych danych;
odbiorca nie może zidentyfikować konkretnej osoby.

Biegły może porównać właściwości głosów. Ustalenie zamiaru naśladowania wymaga jednak także innych dowodów: korespondencji, dokumentów projektowych, poleceń dla aktora, historii modelu oraz okoliczności marketingowych.

Czy parodia lub twórczość artystyczna pozwala sklonować głos?

Parodia, satyra i ekspresja artystyczna mogą uzasadniać dalej idącą swobodę korzystania z elementów rozpoznawalnych dla odbiorcy. Nie ustanawiają jednak automatycznego immunitetu.

Znaczenie będą miały między innymi:

cel wypowiedzi;
jej komercyjny albo artystyczny charakter;
możliwość rozpoznania fikcji;
zakres wykorzystania głosu;
ryzyko wprowadzenia odbiorców w błąd;
sposób oznaczenia materiału;
proporcjonalność ingerencji;
wpływ na renomę i prywatność danej osoby.

Syntetyczny głos użyty w oczywistej parodii będzie oceniany inaczej niż ten sam głos wykorzystany do reklamy inwestycji, aplikacji finansowej lub kampanii politycznej.

Klonowanie głosu a oszustwa

Problem nie ogranicza się do aktorów i przemysłu rozrywkowego. Technologia umożliwia tworzenie głosów członków rodziny, prezesów spółek, pracowników banków, prawników i przedstawicieli organów publicznych.

Syntetyczny głos może zostać wykorzystany do:

wyłudzenia przelewu;
podszycia się pod członka rodziny;
obejścia głosowej weryfikacji klienta;
wydania fałszywego polecenia pracownikowi;
sfabrykowania dowodu;
stworzenia kompromitującej wypowiedzi;
manipulacji wyborczej;
szantażu;
naruszenia reputacji.

W takich przypadkach oprócz odpowiedzialności cywilnej i ochrony danych osobowych mogą wchodzić w grę przepisy prawa karnego, zależnie od celu działania, sposobu użycia nagrania i wywołanego skutku.

Jak powinny zabezpieczać się firmy tworzące głosy AI?

Przed wdrożeniem systemu przedsiębiorca powinien przeprowadzić analizę obejmującą:

pochodzenie wszystkich nagrań;
podstawę ich wykorzystania;
zakres zgody wykonawcy;
możliwość identyfikacji konkretnej osoby;
ryzyko podobieństwa do osoby publicznej;
sposób oznaczania treści syntetycznych;
mechanizmy przeciwdziałania podszywaniu się;
bezpieczeństwo przechowywania próbek;
zasady obsługi żądań usunięcia;
procedurę reagowania na zgłoszenie naruszenia;
obowiązki wynikające z RODO;
obowiązki transparentności z AI Act;
podział odpowiedzialności między dostawcą i klientem;
dokumentowanie procesu castingu i tworzenia głosu.

Wysokie ryzyko powstaje zwłaszcza wtedy, gdy głos ma celowo kojarzyć się z osobą, która wcześniej odmówiła współpracy. W takiej sytuacji zapis procesu decyzyjnego może stać się później ważniejszy niż sama deklaracja, że podobieństwo było przypadkowe.

Co powinien zrobić aktor, lektor albo twórca?

Osoba zawodowo posługująca się głosem powinna zwracać szczególną uwagę na postanowienia umów dotyczące nagrywania próbek, trenowania modeli, automatycznego dubbingu, zmiany języka wypowiedzi, generowania nowych treści, cyfrowych replik, użycia po śmierci, przenoszenia praw na inne podmioty, tworzenia produktów pochodnych, sublicencjonowania, okresu i terytorium korzystania, wynagrodzenia za kolejne zastosowania.

Nie należy traktować zwrotu „wykorzystanie głosu przy użyciu wszelkich technologii” jako neutralnej klauzuli technicznej. Może on próbować objąć zastosowania, których ekonomiczne znaczenie znacznie przekracza wynagrodzenie za pierwotne nagranie.

Kalifornia przyjęła w 2024 roku ustawę AB 2602, zgodnie z którą niektóre nieprecyzyjne klauzule dotyczące zastąpienia pracy wykonawcy jego cyfrową repliką mogą być niewykonalne, zwłaszcza jeżeli wykonawca nie był odpowiednio reprezentowany, a umowa nie opisywała dostatecznie konkretnie sposobów wykorzystania repliki. Regulacja obowiązuje w odniesieniu do nowych wykonań utrwalanych od 1 stycznia 2025 roku. California AB 2602

Rozwiązanie to pokazuje kierunek zmian: zgoda na cyfrową replikę nie powinna być ukryta w ogólnej klauzuli licencyjnej.

Czy można stworzyć całkowicie fikcyjny głos AI?

Tak. Nie każdy syntetyczny głos narusza cudze prawa. Można stworzyć głos, który nie odwzorowuje i nie sugeruje tożsamości konkretnej osoby.

Bezpieczniejszy proces powinien obejmować:

świadomy dobór aktora głosowego;
wyraźną umowę dotyczącą syntezy;
wynagrodzenie za kolejne sposoby wykorzystania;
testowanie podobieństwa do osób publicznych;
rezygnację z poleceń typu „brzmij jak…”;
zakaz marketingowego sugerowania udziału osoby trzeciej;
oznaczanie treści syntetycznych;
możliwość wycofania modelu po wiarygodnym zgłoszeniu;
techniczne zabezpieczenia przed podszywaniem się.

Celem powinno być wykreowanie własnej tożsamości głosowej produktu, a nie stworzenie możliwie bliskiego substytutu osoby, z którą nie zawarto umowy.

Sprawa Scarlett Johansson – co naprawdę może rozstrzygać o odpowiedzialności?

W potencjalnym sporze nie wystarczyłoby ustalenie, czy głos „Sky” subiektywnie przypomina głos Scarlett Johansson. Istotne byłyby odpowiedzi na pytania:

kiedy wybrano aktorkę głosową;
jakie instrukcje otrzymała;
czy podczas castingu odwoływano się do filmu Her;
czy analizowano głos Johansson;
czy wykorzystano jej nagrania;
dlaczego zwrócono się wcześniej właśnie do niej;
jakie znaczenie miał wpis „her”;
czy odbiorcy rzeczywiście przypisywali głos aktorce;
czy podobieństwo było celem, czy ubocznym rezultatem;
jaka korzyść marketingowa wynikała ze skojarzenia.

Samo zatrudnienie innej aktorki nie musi automatycznie wyłączać odpowiedzialności. Jeżeli celem byłoby stworzenie rozpoznawalnego substytutu Scarlett Johansson, problem dotyczyłby nie tyle autorstwa nagrania, ile komercyjnego przejęcia elementu jej tożsamości.

Z drugiej strony naturalne podobieństwo dwóch głosów, bez zamiaru naśladowania i bez wykorzystania renomy konkretnej osoby, nie powinno samo w sobie wystarczać do stwierdzenia naruszenia.

Najczęściej zadawane pytania

Czy głos jest dobrem osobistym?

Tak. W polskim orzecznictwie głos jest ujmowany jako „dźwięczny wizerunek”, a w nowszym podejściu jako samodzielne dobro osobiste. Warunkiem praktycznej ochrony jest możliwość powiązania charakterystycznych cech głosu z konkretną osobą.

Czy AI może legalnie sklonować mój głos?

Może to być legalne, jeżeli istnieje odpowiednia podstawa, a zakres wykorzystania został jasno uzgodniony. Zgoda na zwykłe nagranie nie musi obejmować stworzenia modelu generującego nowe wypowiedzi.

Czy sam głos jest chroniony prawem autorskim?

Co do zasady nie jako taki. Ochronie mogą jednak podlegać nagranie, utwór, fonogram i artystyczne wykonanie. Niezależnie od tego głos może być chroniony jako dobro osobiste i dana osobowa.

Czy wystarczy użyć innego aktora o podobnym głosie?

Nie zawsze. Jeżeli aktor został celowo wybrany i poinstruowany tak, aby stworzyć rozpoznawalny substytut konkretnej osoby, może dojść do naruszenia jej praw, mimo że nie użyto oryginalnego nagrania.

Czy oznaczenie „wygenerowano przez AI” usuwa naruszenie?

Nie. Oznaczenie realizuje obowiązek transparentności, ale nie zastępuje zgody i nie legalizuje naruszenia dóbr osobistych, praw wykonawcy ani przepisów o danych osobowych.

Czy każdy głos jest daną biometryczną?

Nie. Staje się nią wtedy, gdy zostaje poddany szczególnemu przetwarzaniu technicznemu w celu jednoznacznej identyfikacji albo potwierdzenia tożsamości osoby.

Czy Scarlett Johansson pozwała OpenAI i wygrała?

Nie ma publicznie znanego wyroku rozstrzygającego taki spór. Aktorka zażądała wyjaśnień za pośrednictwem prawników, a OpenAI wstrzymało wykorzystywanie głosu „Sky” i zaprzeczyło, że był on imitacją Johansson.

Czy można żądać usunięcia modelu głosu?

W zależności od podstawy prawnej, konstrukcji systemu i okoliczności można żądać zaprzestania używania głosu, usunięcia materiałów, ograniczenia przetwarzania albo dezaktywacji repliki. Nie zawsze będzie to równoznaczne z usunięciem całego modelu AI.

Prawo do głosu w epoce generatywnej AI

Sprawa Scarlett Johansson pokazała, że tożsamość człowieka nie kończy się na twarzy i nazwisku. Głos może mieć wartość osobistą, zawodową i ekonomiczną. Może również zostać przejęty w sposób, który pozwala tworzyć wypowiedzi nigdy niewypowiedziane przez pierwowzór.

Największym wyzwaniem nie jest przy tym klasyczne skopiowanie nagrania. Jest nim stworzenie cyfrowego substytutu, który nie jest formalnie głosem danej osoby, ale został zaprojektowany tak, aby odbiorcy właśnie ją usłyszeli. Technologia potrafi już oddzielić głos od człowieka i uczynić z niego samodzielne, skalowalne narzędzie. Prawo musi natomiast odpowiedzieć na pytanie, czy wraz z głosem można przejąć również rozpoznawalność, wiarygodność i tożsamość jego właściciela. Bo w epoce generatywnej AI kradzież tożsamości nie zawsze wymaga przejęcia twarzy. Czasem wystarczy jedno znajomo brzmiące „hello”.

Stan prawny na dzień: 9 września 2026 roku

Zdjęcie: magnific.com