Select Language

AI社区

数据要素产业

Facebook工程师创建了比尔·盖茨的AI语音克隆体

12-08 01:08 TAG: AI语音 AI语音克隆体

近年来,人工智能技术的发展已经让我们觉得有些可怕,而如何防止 AI 这把双刃剑不被错误地使用,也引发了越来越激烈的探讨。比如 2017 年底冒出的 DeepFakes 视频换脸技术,就让许多名人遭遇了虚假色 情 片的困扰。 现在,Facebook 工程师们又创造出了一个能够惟妙惟肖地模仿比尔·盖茨的语音 AI 。

事实上,盖茨只是 MelNet 可以模仿的多位人物中名气最大的,其他“被克隆”的包括乔治·武井(George Takei)、珍·古德(Jane Goodall)、史蒂芬·霍金等人。

在下列剪辑中,你可以听到一系列无害的句子,比如:

游泳时抽筋不是闹着玩的( A cramp is no small danger on a swim )

同样的话他说过三十遍( He said the same phrase thirty times )

摘下没有叶子的鲜亮玫瑰( Pluck the bright rose without leaves )

2 加 7 小于 10( Two plus seven is less than ten )

上述每一段语音,都是由 Facebook 工程师设计创建的一个名为 MelNet 的机器学习系统生成的。 那么,用来训练这套 ML 系统的数据,又是哪里来的呢?

据悉,MelNet 分析了 452 小时的 STEM-y 类 TED 演讲数据集,以及其它有声读物。

显然,对机器学习系统来说,模仿这些人物慷慨激昂的演讲方式,确实是一个不小的挑战。

近年来,语音克隆的质量一直在稳步提升。 比如近期播放的 Joe Rogan 复制品,就是一个极好的证明。

不过这一进展的大部分工作,可以追溯到 2016 年的 SampleRNN 和WaveNet 。

后者是由位于伦敦的人工智能实验室 DeepMind 创建的机器学习(ML)文本转语音(TTS)转换程序,该实验室同时为 Google Assistant 智能助理提供支持。

WaveNet 和 SampleRNN 之类的方案,就是 为 AU 系统提供大量的数据,并用它来分析人生中的细微差别。

这些旧式 TTS 系统无法生成音频,但可以重构 —— 将语音样本切割成各种音频元素,然后将之拼接到一起,来创建新的单词。

不过当 WaveNet 等团队利用音频波形进行训练时,Facebook 的 MelNet 却用上了信息更加密集的格式 —— 频谱图。

在一篇随附的论文中,Facebook 研究人员指出, 虽然 WaveNet 输出的音频保真度更高,但 MelNet 在捕捉“高级结构”方面更胜一筹。

MelNet 能够模仿演讲者声音中包含的某种微妙的一致性,遗憾的是我们无法用文字来描述,但人耳听起来确实更舒服。

Facebook 工程师称, 这是因为频谱图中捕获的数据,较音频波形中的数据更加紧凑。 这种密度使得算法能够生成更加一致的语音,而不是波形记录中被极端分散和磨练出来的细节。

当然,MelNet 也有一些限制,最总要的是无法复制人声在较长一段时间内的变化,比如在文本段落上构建出来的戏剧性张力。

有趣的是,这类似于我们在 AI 生成的文本 中见到的约束性,其只能实现表层、而非长期结构上的一致性。

撇开这些瑕疵不谈,MelNet 已经足够证明其强大的系统功能。它不仅可以生成逼真的人声,还可以用于生成音乐(示例 1 2 )。不过想要商业应用的话,还需要经过长时间的雕琢。