人工智能中语音合成技术的进步远比我们想象的要快

discosp

人工智能中语音合成技术的进步远比我们想象的要快
人工智能让 Jay-Z 唱起了《哈姆雷特》，语音合成技术的进步远比我们想象的要快
8 K6 f3 w, v& b4 F! s2 M6 L  
" f4 u7 R& j( K1 h+ ~语音合成的技术发展远比我们想象的要快。今年 4 月份 YouTube 曾经下架了一个视频，视频的内容是知名说唱歌手 Jay-Z 唱起了 “To Be, Or Not To Be ”。当然这不是 Jay-Z 本人之举，而是由语音合成技术利用计算机生成逼真的人类语音。




虽然 Jay-Z 的经纪公司 Roc Nation LLC 声称，这段视频 “非法使用人工智能来模仿我们客户的声音”, 但这不得不再次引发我们对于语音合成器技术的关注和思考。
# _' q2 O; n- r& f  x. @4 m* p+ Z+ }


  YouTube 链接：https://youtu.be/m7u-y9oqUSw


  q0 h4 V+ s+ H) I: f7 p6 z' d
语音合成技术，是通过神经网络，在经过人声示例和文本内容的训练下，只需提供文本即可生成接近人类的语音。除了上面的案例，下面还有一个知名说唱歌手 The Notorious B.I.G 用说唱的方式朗诵 “创世纪” 的视频：
# S1 k. h/ `6 n. d

- x+ a/ k( C8 O/ h8 H& J* r
. B7 j" C. q7 Q" m# A: n YouTube 链接：https://youtu.be/_OsRR7HIICU

2 e/ P+ S4 @% ~7 t: l1 [7 r
. x* M, d& w+ a1 T- C4 a8 D. m
; a% r6 N* {8 U我们都知道 Biggie 已经走了很久，这段音频显然不可能是本人为之，而语音合成生成的结果甚至能够达到以假乱真的程度了。通过这个案例，我们可以大致了解语音合成的步骤：Biggie 的声音由计算器合成，需要使用 Biggie 的人声片段以及对应的文本，让人工智能在音频与文本的对比下进行 “学习” ，明白每个字的 “念法”。经过大量的训练后，语音合成器就能够形成模型，然后只要输入文本，人工智能就会在模型中选取符合读法并进行合成。
6 W9 [; _% p/ b: P2 s
- K* s0 G" ^' N' |7 s) c8 Y虽然这样的人声合成方式看上去并不是很智能，并且当前的语音合成器还有一些问题，比如复杂单词难以发音，无法进行实时生成，以及不能引导合成人声的情绪，但在普通情况下语音合成技术已经为我们展现了惊人的成果。

语音合成去得到了如此重大的进步，一方面这项技术带来了更多可能性，比如可以让你与已故的 Biggie 一同合作；另一面它也可能带来法律问题，侵犯版权和艺术家的公开权。我们应该更加谨慎的对待这项技术，因为它很可能被用来造价，但我们也不能因此而否定这项技术所带来的正面价值。