快速、简单、效果好，以假乱真的AI合成语音悄然商业化

如今用人工智能合成的声音既单调又简单，但这恰恰是一项技术成熟并且即将大规模商业化的标志。

近年来，由于机器学习技术的进步，语音合成工作得到了巨大的改善。

以前，最逼真的合成声音是通过录制人类配音演员的音频，将他们的一整段话切分成不同的单个字音，然后将这些单个字音像“活字印刷”一样拼接起来，形成新的语句。

现在，神经网络可以根据目标语音的未分类数据进行训练，从而生成某人从零开始说话的原始音频，而且可以更快、更容易、更真实地实现目标结果。

其实，制作这些“合成语音”并没有什么特别之处，许多初创企业已经在提供类似的服务。只要在谷歌或百度上搜索“人工智能语音合成”（AI voice synthesis）或者“人工智能语音深度伪造”（AI voice deepfakes），你就会发现这项技术的应用已经相当普遍。

目前，市场上提供该类服务的公司既有像Resemble.AI、标贝科技和Respeecher这样只专注于语音合成的初创公司，也有像科大讯飞、搜狗和Veritone这样的上市企业。

而在所有的应用场景中，“合成”名人的声音在未来几年可能会是最突出的。毕竟品牌方和大众对名人声音有天然需求，而名人也希望通过合成和出租他们的声音来增加收入。

今年早些时候，一家名为 Veritone 的公司就推出了这样的服务。该公司推出了一个名为Marvel.AI的新平台，将让创作者、媒体人和其他人合成名人的声音，并按他们的意愿授权。

“声音是名人、运动员和演员的一个巨大资产，是他们品牌的一部分，”Veritone总裁Ryan Steelberg说。“他们想接这些工作，但他们没有足够的时间去工作室录制音频内容。”

而有了Marvel.AI之后，任何人都可以创建一个他们声音的“合成版本”，并在他们认为合适的时候使用它。

当一位大明星在睡觉的时候，他们的声音有可能正在录制广播节目、阅读有声读物等等。Steelberg说，这个平台甚至可以通过使用存档录音来训练人工智能模型，使死者的声音“复活”。

正如Steelberg所解释的，其广告子公司Veritone One在播客领域进行了大量投资，每个月与有影响力的人进行75,000多次“广告整合”。“主要是让名人为赞助和商业广告配音。这非常有效，但也非常昂贵和耗时。”他说。

Veritone公司的另一个部门Veritone Licensing则从一些主要档案中获得视频授权。其中包括CBS和CNN等广播公司以及NCAA和美国公开赛等体育组织所拥有的档案。

Steelberg说：“你看到阿波罗登月的镜头出现在电影中，或者体育明星的内容出现在耐克的广告中，所有这些都是通过Veritone获得的。正是这种在授权和广告方面的经验，将使Veritone比纯粹专注于技术的人工智能初创公司更具优势。”

而这样的应用其实也在出现。例如，电影明星布鲁斯·威利斯（Bruce Willis）就已经授权他的形象在俄罗斯的手机广告中作为视觉深度伪造（visual deepfake）使用。这笔交易让他足不出户就能赚钱，而广告公司则得到了一个可塑性极强的演员（而且值得注意的是，威利斯的年轻版本是直接来自他的《虎胆龙威》）。

而我们更熟悉的案例则是地图软件中的导航语音。在2018世界机器人大会上，科大讯飞董事长刘庆峰就表示，使用AI合成声音已经十分方便，导航时候用到的林志玲、郭德纲的声音，其实都是科大讯飞合成的。

很显然，只要他们乐于授权，这些合成的视频和音频可以加快名人的“变现”能力。

与此同时，语音合成技术也已经被植入到音频编辑软件等工具中了。在美国公司Descript开发的同名播客编辑软件中，“Overdub”功能可以让播客创建一个人工智能合成的声音，这样制作人就可以对他们的音频进行快速修改。

正如Descript首席执行官Andrew Mason说的那样，“你不仅可以在Descript中删除文字，让它删除音频，你还可以输入文字，它将以你的声音生成音频。”

当然，Overdub制作的语音合成并非完美无缺。他们的语气有一种奇怪的颤音，缺乏真正的情感和强调的能力。

所以，能够任意合成声音并不意味着人类的声音从此就是是多余的了。事实上，你当然可以通过一点人工编辑来提高声音的质量，但基于现有的自动化技术，它们仍然不能达到专业人士所能实现的音调变化范围。

正如语音艺术家Andia Winslow说的那样，虽然人工智能语音对于机械化的语音工作（内部消息系统、自动公告等）可能有用，但在许多应用场合，它们无法与人类竞争。

Winslow说：“对于那些需要呼吸和生命力的重要产品来说，它们不会走那条路，部分原因是这些品牌喜欢与他们雇佣的名人合作。”

但这项技术对普通大众意味着什么？对于我们这些没有足够名气可以从该技术中受益，并且在职业上也没有受到该技术发展威胁的人来说，潜在的应用也是多种多样的。

首先，在一款电子游戏中，角色创建屏幕多出了一个选项，可以创建一个合成的声音，所以听起来像是玩家在说游戏中的所有对话。或者有一个应用程序可以让父母合成他们的声音，这样他们就可以在不在孩子身边的时候给他们读睡前故事。这样的应用用现有的技术就可以完成。

当然，AI合成语音也有潜在的危险。“与时俱进”的骗子们已经利用语音合成来进行诈骗活动了，而其他恶意的滥用行为也四处开花。

例如，想象一下，一个高中生偷偷录下一个同学的声音，然后伪造出这个人说老师坏话的音频。或者，在一家企业中，一名员工合成公司高管的声音，然后随意“发号施令”。

如果再联想到视觉深度伪造（visual deepfake）已经酿成的各类恶搞视频图片、伪造色情制品、乃至政治错误信息，就可以知道对AI合成语音的担忧永远都不是多余的。

但有一件事是肯定的：在未来，如果他们愿意，任何人都可以创造出一个属于自己的人工智能合成语音。只是这个“游戏”的游戏规则还没有制定好。