語(yǔ)音能克隆 耳聽不為實(shí) 語(yǔ)音信息還能相信嗎

馮韻浩

在即時(shí)通信軟件中遇到好友凡是涉及代付、借錢、刷單等的消息，通常會(huì)第一時(shí)間想到對(duì)方是不是給盜號(hào)了，沒辦法，職業(yè)習(xí)慣所致。而本人驗(yàn)證的方式，都是讓對(duì)方先發(fā)條語(yǔ)音來證明是他本人，然后再來談要辦的事兒。

可是，隨著技術(shù)的的發(fā)展，語(yǔ)音也變得不可靠起來了，現(xiàn)在的技術(shù)已經(jīng)可以很好地模擬人聲，讓憑借語(yǔ)音識(shí)別身份真?zhèn)畏绞揭沧兊貌豢煽科饋恚@里就來談一下語(yǔ)音模仿，再來看看已經(jīng)進(jìn)入大眾使用的人聲模擬讀書應(yīng)用效果到底如何。

一則新聞敲響警鐘，語(yǔ)音來了也要分真假

前段時(shí)間，廣東的孫女士稱自己的微信被盜了，騙子利用她的微信向其好友借錢。孫女士的好友也很警覺，提出要語(yǔ)音核實(shí)其身份，沒想到騙子還真發(fā)過去一條語(yǔ)音，內(nèi)容就四個(gè)字：“是我是我。”對(duì)方一聽，確實(shí)是孫女士的聲音，于是就轉(zhuǎn)了錢，進(jìn)了騙子的圈套。無(wú)獨(dú)有偶，河南許昌的魏先生，近日也被騙子用同樣的手法，騙走了500塊錢。

為啥已經(jīng)通過語(yǔ)音確認(rèn)了是好友的聲音，還是被騙了呢？其原因是目前雖然已經(jīng)有人聲克隆模擬的技術(shù)，不過還沒達(dá)到大眾都能使用的地步，估計(jì)騙子可能用了語(yǔ)音復(fù)制技術(shù)，從被盜用戶的語(yǔ)音歷史中提取有效信息加以利用。或者事先添加了該被盜用戶，然后誘惑該用戶使用語(yǔ)音進(jìn)行聊天，接著使用某加強(qiáng)版微信直接轉(zhuǎn)發(fā)語(yǔ)音。

而這些只是基礎(chǔ)的語(yǔ)音詐騙，如果人聲可以模擬，那就嚴(yán)重的多了，但是目前人聲模擬技術(shù)已經(jīng)出現(xiàn)了。雖然不知道有沒有諜戰(zhàn)大片那種將變聲器貼在頸部就能達(dá)到完美變聲的科技，但是使用電腦來模擬人聲的技術(shù)被開發(fā)出來了。

要談?wù)劼曇艨寺。覀兿葋砜纯丛缫褜?shí)現(xiàn)的變聲技術(shù)，現(xiàn)在變聲技術(shù)已經(jīng)在許多即時(shí)通信軟件中得以應(yīng)用，通過變聲功能，可以把用戶的聲音由男聲變?yōu)榕暽踔磷兂商}莉音，不過這些變聲效果都比較的生澀，比較容易被識(shí)別出是經(jīng)過變聲的。

聲音克隆技術(shù)出現(xiàn)惟妙惟肖以假亂真

而聲音克隆技術(shù)則有了進(jìn)一步的發(fā)展，最終的效果就是可以完全地模擬某個(gè)人的聲音，在不見面的情況下，都無(wú)法分辨哪個(gè)是本人發(fā)音，哪個(gè)是機(jī)器模擬出來的聲音。

現(xiàn)在的技術(shù)已經(jīng)可以通過AI算法來生成人的全套語(yǔ)音，人工模擬出來的語(yǔ)音甚至連憤怒、高興等不同語(yǔ)氣情緒都能夠做到惟妙惟肖，足以以假亂真。那模擬人聲是否需要很多素材？非也，所需要的材料也僅僅只需要被生成者的幾段話而已。

開發(fā)這項(xiàng)技術(shù)的是谷歌2016年在加拿大蒙特利爾大學(xué)建立的人工智能實(shí)驗(yàn)室（MILA）。基于聲音合成技術(shù)，MILA在

2017年4月份成立了Lyrebird公司。Lyrebird是一種名為琴鳥的鳥類，這種鳥具有一種特殊的天賦，它不僅能模仿多種其他鳥類的聲音，它幾乎還能模仿一切聽到的聲音。

在其網(wǎng)站DEMO部分，可以聽到官方合成的足以以假亂真的特朗普以及奧巴馬的聲音，而美國(guó)那邊也有記者用機(jī)器合成的句子跟家里人打電話做實(shí)驗(yàn)，他的母親完全分不清楚真假。

之所以能產(chǎn)生如此高還原度的合成聲音，背后的技術(shù)正是神經(jīng)網(wǎng)絡(luò)（Neural Network）和機(jī)器學(xué)習(xí)（Machine Learning）。神經(jīng)網(wǎng)絡(luò)模擬電信號(hào)在人腦神經(jīng)元之間的傳遞過程，對(duì)輸入數(shù)據(jù)進(jìn)行處理。它利用分層的神經(jīng)元，從大量樣本數(shù)據(jù)中總結(jié)出共同特征。第一個(gè)用神經(jīng)網(wǎng)絡(luò)來生成人類自然語(yǔ)音的，就是DeepMind的WaveNet。沒錯(cuò)，就是那個(gè)做AlphaGo公司。

WaveNet可以把PS痕跡明顯的機(jī)器語(yǔ)音，轉(zhuǎn)換成更加流暢自然的語(yǔ)音，與人類聲音之間的差異大幅降低，目前在特殊視頻界做的風(fēng)生水起。而Lyrebird則更進(jìn)一層，他可以基于音色、音調(diào)、音節(jié)和停頓等多種特征，來定義某個(gè)人的聲音，然后生成更加擬真的聲音。

而琴鳥公司的AI使用了一種全新的語(yǔ)音合成系統(tǒng)，能在“傾聽”過程中“掌握”每個(gè)人說話時(shí)字母、音位和單詞的發(fā)音特點(diǎn)，通過推理并模仿這個(gè)人聲音中的情感和語(yǔ)調(diào)，“說”出全新的語(yǔ)句。

新系統(tǒng)使用模仿人腦思維的算法創(chuàng)建出一種人工神經(jīng)網(wǎng)絡(luò)，能利用深度學(xué)習(xí)技術(shù)將所聽到的轉(zhuǎn)換成語(yǔ)音，并僅靠任何人1分鐘講話內(nèi)容，就能完全模仿這個(gè)人說話。

從以上內(nèi)容可以知道，目前只需要拿到技術(shù)人員足夠多的語(yǔ)音素材，就能通過機(jī)器學(xué)習(xí)的方式，進(jìn)而達(dá)到模擬指定人物的講話效果，模擬出來的聲音還惟妙惟肖的。到這個(gè)技術(shù)普及的時(shí)候，黑客們就可以利用該技術(shù)模仿指定人物的聲音來任意的合成他想要說的話。這樣一來。利用語(yǔ)音驗(yàn)證來看看是不是本人的方式將變得越來越不可靠，好在目前這個(gè)技術(shù)尚處于實(shí)驗(yàn)室階段，沒有被普及。

能克隆語(yǔ)音的APP

目前，國(guó)內(nèi)也有幾個(gè)類似的語(yǔ)音模仿應(yīng)用，利用它用戶可以用自己喜歡的聲音來進(jìn)行聽書，比如可以用女神那誘人的聲音來幫你念讀小說，用喜歡的人聲來念讀喜歡的小說，動(dòng)聽的聲音讓聽書也成了一種享受。

其中一款手機(jī)應(yīng)用叫《訊飛閱讀》，沒錯(cuò)，就是那個(gè)擅長(zhǎng)語(yǔ)音識(shí)別的科大訊飛旗下的一款手機(jī)端閱讀APP。

還有具有類似功能的APP是《迅雷閱讀》，主打的功能是聽書，用戶可以用聆聽的方式來欣賞小說，閉上眼睛，聽著自己喜歡的小說，養(yǎng)養(yǎng)精神是個(gè)不錯(cuò)的事兒。

《訊飛閱讀》是一個(gè)小說閱讀工具，用戶可以用它來閱讀小說。跟其它小說閱讀器不同，《訊飛閱讀》可以使用許多主播的聲音來進(jìn)行念誦，有許多風(fēng)格不同的主播，也有各種的方言主播（也就是說，可以用多種方言來聽書），用主播的聲音來聽書，調(diào)好語(yǔ)速，就能大大地減少那種機(jī)器發(fā)音的生澀感，達(dá)到模擬人讀書的效果。

而在這里要說的就是《訊飛閱讀》的“聲音復(fù)刻”功能，利用該功能，可以把自己或者你喜歡的人的聲音進(jìn)行復(fù)刻，然后就可以用該聲音來進(jìn)行念誦了。那么，復(fù)刻出來的聲音像不像呢？使用時(shí)《訊飛閱讀》會(huì)錄音進(jìn)行上傳，按照APP的提示錄制10段語(yǔ)音念誦信息后，就會(huì)進(jìn)入人聲復(fù)刻階段，《訊飛閱讀》會(huì)在服務(wù)器端進(jìn)行語(yǔ)音的識(shí)別分析模擬，等分析模擬完畢后，就可以用該聲音來進(jìn)行小說的念誦了。

模擬出來本人的聲音，有70 %～80 %的相似度，發(fā)給幾個(gè)朋友聽也說比較的像。但是仔細(xì)聽還是有點(diǎn)機(jī)器發(fā)音的那種停頓感，還是可以分辨出來的，而且用自己的聲音來聽書，感覺也有些怪。

警惕聲音復(fù)刻自己聲音也要保護(hù)好

總之，利用這個(gè)功能或者說技術(shù)，可以在文本文件中輸入任意的文字內(nèi)容，然后在《訊飛閱讀》中導(dǎo)入該文件，就可以用復(fù)刻的聲音以語(yǔ)音形式來進(jìn)行念誦該文件里的文字了，這也提醒了用戶，不要把自己復(fù)刻的聲音隨便傳播。

好消息就是，當(dāng)前類似這種“聲音復(fù)刻”的功能，需要事先收集用戶說念誦出來的指定的幾段文字后才能進(jìn)行聲音的復(fù)刻。而不是隨便地收集任意幾句話就能進(jìn)行聲音的復(fù)刻操作，這在一定程序上保障了用戶的語(yǔ)音安全。

隨著技術(shù)的發(fā)展，特別是AI人工智能的加入，人聲的模擬變得越來越簡(jiǎn)單，只要收集足夠多的個(gè)人聲音素材，然后對(duì)個(gè)人說話方式、聲調(diào)語(yǔ)調(diào)進(jìn)行深入分析，再利用計(jì)算機(jī)語(yǔ)音合成，就可以模擬出個(gè)人真人的發(fā)音，隨著技術(shù)的發(fā)展，模擬出來的人聲將越來越難分辨真假。所以不要憑借短短的一段語(yǔ)音來確認(rèn)對(duì)方，可以通過視頻一下或者打個(gè)電話確認(rèn)一番，小心為上總是好的。

人們常說的眼見為實(shí)中包括的圖片、視頻，其中圖片早已可以用PS改的以假亂真，而視頻也可以通過深度學(xué)習(xí)技術(shù)來嫁接人頭，眼見也未必屬實(shí)了！這就再次提醒大家，在互聯(lián)網(wǎng)時(shí)代要更加注意保護(hù)自己的隱私信息。