AI精確復(fù)制聲音, 真假“比爾·蓋茨”難辨

近日, 臉書的研究人員成功克隆了微軟總裁比爾·蓋茨的聲音。

臉書人工智能研究中心的肖恩·瓦斯奎茲（Sean Vasquez）和邁克·劉易斯（Mike Lewis）于本周表示，他們已經(jīng)努力模仿人類語言有一段時間了。然而，模仿人類語言顯然是件難事，當(dāng)人們聽到斯蒂芬·霍金所使用的那套最著名的說話機器發(fā)聲時，會發(fā)現(xiàn)它聽起來仍然很不像人類。

但是現(xiàn)在，研究員們似乎已經(jīng)取得了進展。如果你聽了蓋茨的克隆所發(fā)出的聲音，我想你是會同意的。因為它聽起來很像比爾·蓋茨，你甚至很難分辨出它和他真實聲音的區(qū)別。

研究人員展示了他們的研究。在這里，機器模仿著蓋茨的腔調(diào)發(fā)聲，“請給你珍愛的朋友發(fā)一封充滿愛意的短信。”其中最不可思議的是，這臺機器在說“珍愛（cherish）”時，準(zhǔn)確無誤地捕捉到蓋茨不斷上升的語調(diào)變化的。

這項技術(shù)被稱為MelNet，可以用來復(fù)制人類的語調(diào)。到目前為止，蓋茨和其他許多人的聲音都被它完美地再現(xiàn)了。瓦斯奎茲和劉易斯說，克隆的音頻取自各類Ted演講。

兩位研究人員還表示，直到最近，文本到語音轉(zhuǎn)換軟件還不能很好地工作的原因是它使用了波形圖記錄聲音。這些圖顯示了聲音在幾秒鐘內(nèi)的音階變化。如果你聽到過蓋茨說“珍愛”這個詞，就知道他的語氣是變化劇烈的。在試圖模仿一個人的時候，深度學(xué)習(xí)機器必須預(yù)測到所有這些細(xì)微的變化，這很不容易。

瓦斯奎茲和劉易斯說，他們通過使用一種叫做光譜圖的東西來訓(xùn)練機器，成功地克隆了聲音。

研究人員說:“光譜圖的時間軸比波形圖的時間軸緊湊幾個數(shù)量級，這意味著在波形中跨越數(shù)萬個時間步長的依賴關(guān)系在光譜圖中只跨越數(shù)百個時間步長。這使得我們的光譜圖模型能夠在數(shù)秒內(nèi)記錄各種語音和音樂樣本，并保持它們一致性。”

不過，他們也經(jīng)歷了一些挫折。研究小組表示，對他們來說，幾乎完美地復(fù)制一個句子并不難，難的是復(fù)制那些在長達(dá)幾十秒或幾分鐘的時間里，顯示了情緒變化的復(fù)雜語調(diào)”。盡管如此，當(dāng)涉及到人機交互時，研究小組說，在只涉及簡短對話的情境中，這項技術(shù)可能會帶來革命性的變化。