2017-05-17 · 前沿技術(shù)
編者按：之前也算是個(gè)關(guān)注八卦的中重度微博控，經(jīng)常聽到有人曝光某某明星的私密聊天語音什么的。說實(shí)話，一兩次還行，太頻繁了就顯得不太可信，當(dāng)時(shí)就想是不是有什么語音造假軟件？沒想到還真有！而且真假聲相似度爆表……據(jù)說Lyrebird是一種可以模仿多種鳥類聲音的鳥兒（咳…這不是走近科學(xué)哈），本文重點(diǎn)介紹的這項(xiàng)可以模仿不同人聲的AI語音生成軟件就是由一家叫Lyrebird的初創(chuàng)公司開發(fā)的，真的是名副其實(shí)了~不過，和“人類克隆”技術(shù)一樣，這種“聲音克隆”同樣也會(huì)帶來很多社會(huì)問題。下面我們來看看《科學(xué)美國人》對(duì)這項(xiàng)技術(shù)的詳細(xì)分析報(bào)道。原文：New AI Tech Can Mimic Any Voice
即使是蘋果的Siri或亞馬遜的Alexa這類最自然的機(jī)器人生成的語音，聽起來還是像…呃…計(jì)算機(jī)。總部位于蒙特利爾的初創(chuàng)公司Lyrebird正在研究如何通過分析語音和相應(yīng)的文字記錄，識(shí)別兩者之間的關(guān)系，從而讓人工智能系統(tǒng)模仿出人的聲音。Lyrebird的語音合成每秒可以生成數(shù)千個(gè)句子——比現(xiàn)有方法的速度都快——還可以模仿各種聲音。這是語音生成技術(shù)的一大進(jìn)步，但也隨之引發(fā)了相關(guān)倫理問題——這一技術(shù)怎樣正確使用？又如何避免濫用？
長期以來，生成自然語音一直是文本轉(zhuǎn)語音計(jì)算機(jī)程序開發(fā)的核心挑戰(zhàn)。個(gè)人人工智能助理，如Siri，Alexa，微軟的Cortana和谷歌助手，都是利用文本轉(zhuǎn)語音軟件與用戶建立更便捷的交流。這些系統(tǒng)的工作原理是把特定的聲音錄制文件中的單詞和短語拼湊在一起。切換成不同的聲音（如Alexa的聲音像個(gè)男人）需要一個(gè)新音頻文件，這個(gè)文件需要囊括與用戶溝通的過程中所有可能出現(xiàn)的詞語。
Lyrebird系統(tǒng)可以學(xué)習(xí)漢字發(fā)音，聽數(shù)小時(shí)音頻就能掌握里面所有的音素和單詞。它還可以由此推斷生成全新的句子，甚至添加不同的語調(diào)和情感。Lyrebird采用的關(guān)鍵方法是人工神經(jīng)網(wǎng)絡(luò)——利用自制的算法讓他們像人腦一樣運(yùn)作——依靠深度學(xué)習(xí)技術(shù)將聲音字節(jié)轉(zhuǎn)換成語音。人工神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，通過加強(qiáng)各層類神經(jīng)單位之間的聯(lián)系學(xué)習(xí)不同的語音模式。
學(xué)習(xí)了如何生成語音之后，系統(tǒng)可以在聽過某人一分鐘的音頻樣本基礎(chǔ)之上適應(yīng)各種聲音。Lyrebird合伙人Alexandre de Brébissonder是蒙特利爾大學(xué)學(xué)習(xí)算法研究實(shí)驗(yàn)室的一名博士生，他說，“不同的聲音可以傳達(dá)很多信息，學(xué)習(xí)了幾位說話人的聲音后，學(xué)習(xí)其他人的聲音就會(huì)快多了。這也是為什么我們并不需要太多數(shù)據(jù)來學(xué)習(xí)新聲音的原因。數(shù)據(jù)多一點(diǎn)肯定還是有所幫助的，但一分鐘其實(shí)就足以捕捉到很多聲音的‘DNA’了。”
Lyrebird展示了其系統(tǒng)利用美國政治人物特朗普，奧巴馬和希拉里的聲音合成了一段有關(guān)這家公司的對(duì)話。公司計(jì)劃將該系統(tǒng)廣泛應(yīng)用到開發(fā)者中，包括個(gè)人人工智能助手、有聲書和殘疾人語音合成等。
去年，谷歌旗下的DeepMind公布了他們的語音合成系統(tǒng)，WaveNet。這一系統(tǒng)聽了數(shù)小時(shí)原音頻之后可以生成類似人類語音的聲波。然后還可以發(fā)出類人的聲音大聲朗讀課文。雖然Lyrebird和WaveNet都采用了深度學(xué)習(xí)，但其內(nèi)在模式并不一樣，de Brébisson說，“Lyrebird的語音生成速度明顯比WaveNet要快得多，我們可以在一秒鐘內(nèi)生成數(shù)千個(gè)句子，而速度對(duì)實(shí)時(shí)應(yīng)用程序至關(guān)重要。Lyrebird還提高了聲音復(fù)制加快且與語言無關(guān)的可能性。《科學(xué)美國人也就這一問題聯(lián)系了DeepMind，卻被告知WaveNet團(tuán)隊(duì)絕不認(rèn)同這種說法。
Timo Baumann是卡內(nèi)基梅隆大學(xué)語言技術(shù)研究所一名語音處理技術(shù)研究人員，他表示，Lyrebird的高語音生成速度是有代價(jià)的。他注意到Lyrebird的生成語音時(shí)有些微的嗡嗡聲和一種微弱但明顯能感覺到的機(jī)械感。此外，它不能發(fā)出自然發(fā)聲時(shí)經(jīng)常會(huì)聽到的呼吸或口腔運(yùn)動(dòng)的聲音。Baumann說，“交談時(shí)聲音要聽起來有上下嘴唇相碰，還有空氣吸入的感覺。而他們實(shí)際上只是向聽眾傳達(dá)了語音的意義，引起了聽眾的關(guān)注而已，”這些缺陷都能讓人們區(qū)分出真正的自然語音和計(jì)算機(jī)生成的語音。他還補(bǔ)充說到，要實(shí)現(xiàn)真正的實(shí)時(shí)復(fù)制聲音還需要多研究幾年。
即便如此，對(duì)于那些未經(jīng)訓(xùn)練的人耳和的毫無疑心的人腦，人工智能產(chǎn)生的音頻CLIP語言還是可以以假亂真的，因此，語音模仿也可能引發(fā)一些道德和安全方面問題。這種技術(shù)可能混淆和擾亂語音驗(yàn)證系統(tǒng)，還可能導(dǎo)致無效語音和視頻記錄作為證據(jù)出現(xiàn)在法庭上。而且它可以迅速操控音頻，可能引發(fā)對(duì)實(shí)時(shí)直播視頻準(zhǔn)確性的質(zhì)疑。在一個(gè)新聞作假的時(shí)代，這一技術(shù)只可能加重信息來源不實(shí)的現(xiàn)有問題。Baumann還說，“還是有辦法發(fā)現(xiàn)音頻被篡改了的，只不過并不是所有人都會(huì)檢查。”
類人語音系統(tǒng)也可能造成不明顯但同樣嚴(yán)重的問題。例如，用戶過于信任這些系統(tǒng)，向它們泄露個(gè)人信息，或者聽取它們的購買建議，已經(jīng)不止把它們當(dāng)成一件迎合開發(fā)商自身利益的產(chǎn)品，而是當(dāng)成朋友了。Baumann說，“這是因?yàn)槁曇舯任谋咀匀坏枚啵哺杏H和力”。
Lyrebird承認(rèn)自身存在這些問題，也在官網(wǎng)上發(fā)表了一份有關(guān)倫理問題的警示聲明。他們提醒公眾，該軟件可能被用于法庭上的音頻證據(jù)作假或說話人身份作假。聲明中提到，“我們希望每個(gè)人都盡快意識(shí)到這種復(fù)制聲音技術(shù)的存在。”
我們都知道，在這個(gè)PS技術(shù)泛濫的年代，眼見都不一定為實(shí)，現(xiàn)在，“耳聽也有可能為虛”的道理也需要盡快適應(yīng)了。哈佛大學(xué)肯尼迪政府學(xué)院的安全技術(shù)專家和公共政策講師表示，目前還沒有什么辦法能防止這項(xiàng)技術(shù)制造虛假聲音，現(xiàn)實(shí)中遇到假聲音的可能性會(huì)越來越高。
編譯組出品。編輯：郝鵬程。
聯(lián)系客服
