只需3秒就能复制你声音的AI 会不会是新的一年里的AI蓝海?
发表于2023-01-15 22:25:30

  原标题:只需3秒就能复制你声音的AI 会不会是新的一年里的AI蓝海?

  2022年属实是AI大年。

  从年初年中的AI绘画,到年尾的AI作者,好像这个AI已经实实在在的刷了一整年的存在感了。

  先是 画图——画好图——画黄图,再到 写文——写好文——写黄文,我不知道AI的制作者们抱着什么样的伟大信念制作出来这些新颖的好东西,但只要落到网友们的手里,这些数据模型肯定会被灌满奇怪的东西。

  就拿我群里最近疯狂转发的AI绘画最新训练成果来说,在我不知不觉间,这小机器人已经可以精准的拿捏我的XP了。

  不过今天要介绍的并不是这两个已经被玩坏的AI,而是微软最新出品的AI成果——语音合成模型 VALL·E。

  它可不是那些影视剧讲解里的那些 “注意看,这个男人叫小帅”的固定语气语调的AI念稿人,而是号称“3秒钟”就可以复制你的声音的赛博卡卡西。

  根据我查来的说法,VALL·E相比传统的AI语音模型采用 “梅尔频谱”提取特征,它转换了思路与赛道,将语音合成这个步骤改为 “语言模型”的任务。

  以前走 音素→梅尔频谱(mel-spectrogram)→波形的流程,被VALL·E改变成了 音素→离散音频编码→波形。

  ——当然,尽管这些东西是我写出来的,但我完全看不懂官方说的是什么,我放张图也只是显得文章没有那么空而已。

  在我能看懂的介绍里,让我觉得最值得发出来给大家讲讲的,就是这个VALL·E,不只是能用过数据模仿出采样人的音色,它连 语气和 语速都模仿的非常到位。

  除此之外,包括采样者的 背景音和话语中的 情绪,VALL·E都能通过学习慢慢掌握。

  一个音色、语气、语调、语速、情绪甚至是背景里的环境音被训练到极致的语音AI,说出的话可能真的和本人差别不大了。

  搭配上“AI作者”和“AI绘画”,好家伙,已经可以组织起一个公司会议上的赛博PPT了,等哪天“AI动画”出来了,我们没准还能看见机器人自己拍的电影。

  不少网友也评论,继画家和作者失业后,这股海克斯狂潮终于轮到配音演员身上了。

  像其他 AI 新技术一样,这个尚未开源的VALL-E在安全、伦理等方面也引发不少人的担忧,尽管微软发布了关于使用 VALL-E 的道德声明,但未来的事儿谁又说得准呢。

  怎么样各位,这么看下来,你觉得这个VALL-E会不会是新的一年里的AI蓝海?

投稿:lukejiwang@163.com
Copyright © 2002-2024 鹿科技