微軟的人工智慧只需三秒鐘就能模仿任何人的聲音

微軟創建的人工智慧Vall-E可以透過聽真人的聲音三秒鐘來模仿真人的語氣和言語，儘管聽起來仍然有點像機器人的聲音。

微軟的AI Val-E。圖解照片：ValE-Demo。

微軟的這個人工智慧系統被稱為「神經編解碼語言模型」。編解碼器是一種使用演算法處理視訊並將其儲存在位元組流中的工具。音訊或視訊檔案被縮小，然後解壓縮以用於各種目的。

Vall-E 由 Microsoft 在 EnCodec 平台上構建，EnCodec 平台是 Meta 於 2022 年開發的使用機器學習技術的音訊編解碼器。Vall-E 透過捕捉和分析每個人的音訊來創建獨特的音訊編解碼器，然後透過 EnCodec 將資訊分解為稱為「令牌」的部分。這與先前的文字轉語音方法不同，後者通常採用波形形式。

然後，Vall-E 使用訓練資料來匹配它「知道」的語音語調，這樣它就可以根據它「學到」的內容說出其他短語。

整個語音模仿過程只需三秒鐘即可完成——這是當今任何語言模仿人工智慧系統都從未實現過的。

Microsoft 使用包含 7,000 多人的 60,000 小時英語口語的程式庫來培訓 Vall-E。隨著時間的推移，該庫將被添加到更多語言中。

微軟希望Vall-E能夠應用於高品質的文字轉語音軟體。

然而，Vall-E 讓專家擔心它可能被用於惡意目的。壞人可以利用這種人工智慧來冒充聲音，以達到欺詐和勒索的目的。如果這種人工智慧與深度偽造影片結合起來，危險程度可能會倍增。