Facebook工程師創(chuàng)建了比爾·蓋茨的AI語音克隆體
近年來,人工智能技術的發(fā)展已經讓我們覺得有些可怕,而如何防止 AI 這把雙刃劍不被錯誤地使用,也引發(fā)了越來越激烈的探討。比如 2017 年底冒出的 DeepFakes 視頻換臉技術,就讓許多名人遭遇了虛假色 情 片的困擾。 現(xiàn)在,F(xiàn)acebook 工程師們又創(chuàng)造出了一個能夠惟妙惟肖地模仿比爾·蓋茨的語音 AI 。
事實上,蓋茨只是 MelNet 可以模仿的多位人物中名氣最大的,其他“被克隆”的包括喬治·武井(George Takei)、珍·古德(Jane Goodall)、史蒂芬·霍金等人。
在下列剪輯中,你可以聽到一系列無害的句子,比如:
游泳時抽筋不是鬧著玩的( A cramp is no small danger on a swim )
同樣的話他說過三十遍( He said the same phrase thirty times )
摘下沒有葉子的鮮亮玫瑰( Pluck the bright rose without leaves )
2 加 7 小于 10( Two plus seven is less than ten )
上述每一段語音,都是由 Facebook 工程師設計創(chuàng)建的一個名為 MelNet 的機器學習系統(tǒng)生成的。 那么,用來訓練這套 ML 系統(tǒng)的數(shù)據(jù),又是哪里來的呢?
據(jù)悉,MelNet 分析了 452 小時的 STEM-y 類 TED 演講數(shù)據(jù)集,以及其它有聲讀物。
顯然,對機器學習系統(tǒng)來說,模仿這些人物慷慨激昂的演講方式,確實是一個不小的挑戰(zhàn)。
近年來,語音克隆的質量一直在穩(wěn)步提升。 比如近期播放的 Joe Rogan 復制品,就是一個極好的證明。
不過這一進展的大部分工作,可以追溯到 2016 年的 SampleRNN 和WaveNet 。
后者是由位于倫敦的人工智能實驗室 DeepMind 創(chuàng)建的機器學習(ML)文本轉語音(TTS)轉換程序,該實驗室同時為 Google Assistant 智能助理提供支持。
WaveNet 和 SampleRNN 之類的方案,就是 為 AU 系統(tǒng)提供大量的數(shù)據(jù),并用它來分析人生中的細微差別。
這些舊式 TTS 系統(tǒng)無法生成音頻,但可以重構 —— 將語音樣本切割成各種音頻元素,然后將之拼接到一起,來創(chuàng)建新的單詞。
不過當 WaveNet 等團隊利用音頻波形進行訓練時,F(xiàn)acebook 的 MelNet 卻用上了信息更加密集的格式 —— 頻譜圖。
在一篇隨附的論文中,F(xiàn)acebook 研究人員指出, 雖然 WaveNet 輸出的音頻保真度更高,但 MelNet 在捕捉“高級結構”方面更勝一籌。
MelNet 能夠模仿演講者聲音中包含的某種微妙的一致性,遺憾的是我們無法用文字來描述,但人耳聽起來確實更舒服。
Facebook 工程師稱, 這是因為頻譜圖中捕獲的數(shù)據(jù),較音頻波形中的數(shù)據(jù)更加緊湊。 這種密度使得算法能夠生成更加一致的語音,而不是波形記錄中被極端分散和磨練出來的細節(jié)。
當然,MelNet 也有一些限制,最總要的是無法復制人聲在較長一段時間內的變化,比如在文本段落上構建出來的戲劇性張力。
有趣的是,這類似于我們在 AI 生成的文本 中見到的約束性,其只能實現(xiàn)表層、而非長期結構上的一致性。
撇開這些瑕疵不談,MelNet 已經足夠證明其強大的系統(tǒng)功能。它不僅可以生成逼真的人聲,還可以用于生成音樂(示例 1 2 )。不過想要商業(yè)應用的話,還需要經過長時間的雕琢。

請輸入評論內容...
請輸入評論/評論長度6~500個字