深度語音合成內容的侵權風險和治理研究

摘要：人工智能技術具有深刻變革內容生產范式的能力，正成為內容生產的重要驅動力。深度語音合成作為人工智能應用的重要領域，拓展了聲音的多樣性和制作模式，為用戶提供了豐富的聽覺體驗。然而，這也帶來一系列潛在的侵權風險。為此，本文通過研究分析此類深度語音合成內容的使用現狀、技術原理及應用類型，就其生產傳播過程可能涉及的侵權主體與侵犯權利等法律問題進行闡述，并提出應對治理策略，確保深度語音合成技術的健康發展，為未來內容生產拓展更廣闊的空間。

關鍵詞：深度語音合成；版權；AI 歌手；侵權治理

俗話說，眼見為實，耳聽為虛。如今，在技術支持下“生產”的聲音更是難辨真假。2023 年4月，歌曲《Heart On My Sleeve》由聲音訓練模型制成并在Tiktok上迅速躥紅。2023 年4 月12 日，UP 主“陳墨瞳1995”在Bilibili 平臺發布了第一則AI 孫燕姿翻唱作品，4 月14 日發布的AI 孫燕姿翻唱周杰倫《發如雪》視頻播放量已超過300 萬，點贊、投幣、收藏、轉發量均達數萬。它們的相似之處在于均擁有與原歌手極其相似的聲音特征。據不完全統計，各大社交平臺中此類模仿真人的“AI 歌手”數量已達近百個，“AI 那英”“AI 蔡依林”“AI TaylorSwift”等先后問世，國內外流行音樂領域的知名歌手基本都擁有了“AI 版本”。

由人工智能技術合成的音樂內容由此進入了更廣范圍的公眾視野，可見技術創新所帶來的娛樂方式和文化內容更加豐富。在滿足更多用戶需求的同時，此類深度合成內容的版權問題也成為目前業界關注重點。人工智能生成內容的發展趨勢必然是大眾化、便捷化、平價化，如何讓其健康發展成為迫切需要重視的問題。本文通過對深度合成語音內容進行研究，厘清背后的生產傳播過程，深入分析其可能存在的侵權風險點，并根據已有的相關法律法規內容探討相關的應對之策。

一、 深度語音合成內容的技術原理

人工智能已經在對內容生產進行重新塑造，未來AIGC 有望成為智能數字交往的基礎設施，影響人類生活模式、思想意識和社會文明范式的轉型變革。（1） 據了解，雖然網絡平臺中的“AI 歌手”數量逐漸增多，但“AI 孫燕姿”仍最具影響力，相關視頻作品在Bilibili 平臺的累計播放量超過千萬。因此，本文以此為例，分析深度語音合成內容的生產與傳播過程。

（一）深度語音合成

人工智能生成內容的基本原理，是人類通過訓練讓機器根據算法、模型、規則生成文本、圖片、聲音、視頻、代碼等內容，完成用戶布置的有關任務。而深度合成則屬于生成式人工智能的一種特殊應用。“深度合成”是一種基于算法指令自動化運行的合成媒體技術手段，泛指借助人工智能算法和計算機虛擬合成技術生成數字化文本內容。（2） 隨著技術不斷發展，深度語音生成、合成技術能夠開發出更具真實性、實用性的音頻文本，從而拓展傳播的可能性、增強傳播效果并擁有更加廣泛的應用領域。深度合成通常包括三個主要步驟：第一步是數據提取，這一步通過收集和提取大量相關數據，為后續程序提供充足的輸入源；第二步是模型訓練，指通過深度學習等方式尋找一些規律特征；第三步是合成轉換，根據模型生成新的內容，輸出深度合成結果。

深度語音合成技術也不例外，通過收集大量語音數據為材料，利用程序自身的深度學習算法訓練聲學模型，從而生成特定人群從未說過卻具有逼真效果的語音內容。對于深度語音合成的理解，通常可以分為兩個部分：深度與合成。“深度”，指深度學習。即算法從海量數據中學習，以提高模型的準確度。“合成”，指基于海量數據的合并結果，具有高度“類真性”的特征。此類技術主要分為“語音合成”（Text-to-Speech， 以下簡稱TTS）和“聲音轉換”（VoiceConversion， 以下簡稱VC） 兩種類型。TTS 技術也被稱為文本到語音，該技術旨在根據輸入的文本生成與目標說話者真實語音高度相似的語音波形，使得聽眾感覺該語音是由目標說話者所發出。該技術能夠根據用戶提供的文本，合成輸出目標說話者的自然聲音。如AI 孫悟空、AI 佟湘玉和最近爆火的AI 雷軍等，均為該項技術的應用。VC 技術旨在實現從原說話者到目標說話者語音特征的遷移，而在此過程中，保持原有語言信息的完整性與準確性不變。（3） VC 技術通過修改原語音的音頻波形，使其聽起來像目標說話者的聲音，即保留原說話內容但改變了其音色和風格。具體來說，VC 系統將原說話者的錄音作為輸入，并生成與目標說話者音色極為相似的深度合成音頻，從而實現原語音特征向目標語音特征的轉換。（4） 顯然，“AI 歌手”是對深度語音合成技術的一次運用。通過深度學習技術對歌手的音色、唱腔的歸納學習形成聲學模型，再經由合成技術實現對目標歌曲的翻唱。

（二）AI 歌手的生產傳播之路

平臺上迅速火爆的AI 歌手，其作品生產具有明顯的深度語音合成技術特性，生產過程并不復雜，操作成本也不高。用戶利用開源軟件，通過人工智能音色替換技術（如Sovits4.0）合成目標歌手聲音。Sovits4.0 模型是一款基于人工智能技術的學唱軟件，能夠通過自主學習和深度學習技術模擬不同歌手的聲音，并在不同音域和曲調下進行演唱。假設我們需要完成A 對B 歌曲翻唱，那么具體流程首先是用戶準備一個輸入源干聲，即目標歌曲中未經過處理的A 的原始人聲。然后，通過Sovits4.0 模型進行推理，替換目標歌曲中B 的聲線。最后，用戶只需輸入歌曲的歌詞和曲調，Sovits4.0 模型便能自動合成一首歌曲。其中，輸入的A 的人聲樣本需要具有無損音質的人物原聲，即分離提取后的歌手聲音。另外，為確保模型訓練的速度和質量，要求上傳盡可能多的已經分割過的樣本以形成一個數據集。在模型推理階段，將預先目標翻唱歌曲中的B 的人聲部分提取出來，導入訓練好的模型后即可輸出人工智能翻唱的人聲部分。最后，通過編輯軟件加上伴奏并對齊，即可完成一個A 對B 的深度語音合成作品。

通過深度語音合成技術的運用，我們甚至可以完成“AI 自我”，實現對目標歌曲的完美翻唱。顯然，這些內容若僅用于個人娛樂和欣賞，就不具備侵權風險。但是，目前各類深度語音合成內容已通過個人賬號發布在各類社交平臺，進行廣泛的傳播。甚至有不少網站和平臺提供的配音服務中，提供了已生成的各種語音包模型選項以供用戶選擇。那么，在這個過程中就產生了一定的侵權風險。

二、深度語音合成內容的侵權風險

法律上人工智能合成的翻唱歌曲，是人工智能技術驅動一個人的聲音來表演另一個音樂作品的過程，這個過程涉及較為復雜的問題。類似于AI 歌手的深度合成內容涉及多方主體和權利，如目標歌曲對應的詞曲權利人的著作權、演唱者的表演權和錄音制作者享有的合法權利。（5）若以非出版制品進行模型訓練，則主要涉及語音的對應者及其權利。深度合成內容生產的三個階段——數據輸入階段、機器學習階段、數據輸出階段，都面臨著一定的侵犯版權的風險，且涉及多方主體及權利。

（一）數據輸入：使用是否合理

數據輸入是人工智能內容生產的前提。深度合成的音樂內容生產離不開對真人聲音的獲取與使用。數字時代，作品主要以數據形式呈現。當代版權法體系內，蘊含了多元化的合理使用制度框架，為各類使用行為提供了充分的制度空間與靈活性。《中華人民共和國著作權法》（以下簡稱《著作權法》）第四十二條第二款明確指出，對于已合法錄制成錄音制品的音樂作品，錄音制作者在不侵犯原著作權人權益的前提下，有權進行再錄制，無需事先征得著作權人同意，但務必遵循法律規定支付相應報酬。若著作權人明確表明禁止使用的，則該項權利不得行使。此外，值得注意的是，《著作權法》所涵蓋的受保護作品范疇廣泛，涵蓋了文字創作、口頭表達、音樂藝術及美術設計等，而單純的聲音元素，不被直接納入其保護之列。因此，單純模仿表演者的音色、演唱技巧等特征，并不屬于《著作權法》保護的對象。這表明在AI 歌手制作的數據收集階段中，用戶收集大量聲音數據并沒有構成明顯的版權侵權行為。

“合理使用”一般是指在特定情況下，法律允許他人自由使用享有版權的作品而不必征得權利人許可的合法行為。（6） 合理使用原則不僅彰顯了公眾對版權作品享有的自由利用權益，同時也構成了法律層面對著作財產權效力的一種必要限制。在此情境下，海量的錄音數據被用于“機器閱讀”，這種接觸和使用的行為是否“正當合理”？司法實踐中，對于合理使用的界定，其判斷標準超越了單純的使用性質與數量范疇的局限，即不與作品在數據處理過程中被自動化、大規模讀取的方式直接掛鉤，而是基于更為綜合與深入的考量。（7） 然而，利用同一位作者的作品作為算法訓練的素材，進而產出蘊含特定個性化表達的新作品，此類行為因涉及對原作實質性相似性的高度模仿，恐難以被歸入合理使用的范疇之內。

（二）機器學習：模仿還是創作

基于深度學習生成具有作品表達形式的內容，這在某種程度上可視為創作行為。然而，在著作權法框架內，其主體資格尚無法確認。根據《著作權法》有關規定，著作權人不僅包括作者，也包括依照本法享有著作權的自然人、法人和非法人組織。然而，人工智能工具由于缺乏主觀意識，不能被認定為作者；同樣，正是由于其不具備責任能力，無法被視為侵權者。但是，深度合成內容并不能否認人的主體地位，算法模型主要反映了操作用戶的創作意圖。這種情況下，深度語音合成內容屬于用戶利用智能工具創作的合作性成果。

人工智能訓練生成的AI 歌手聲音模型引發高度關注，主要因為其對歌手聲音的模仿極為相似且具有辨識度。通過“學習”大量現有作品生成的AI 歌手聲音模型，其發音、音色、停頓等特征與真人（原作品）存在顯著相似，可能涉嫌侵犯復制權和改編權。盡管音色或唱腔本身不受著作權法保護，但在商標法中，聲音可以注冊為商標。同時，《民法典》對聲音的保護類似于對肖像權的保護，而肖像權明確禁止偽造。因此，AI 語音包和AI 歌手中訓練語音模型的行為可能涉及侵權行為。

（三）內容輸出：傳播是否侵權

深度語音合成輸出的內容是否具有“可版權性”？一般而言，智能生成內容“可版權性”主要關注作品是否具有獨創性特征。多數學者主張人工智能生成內容是版權作品，輸出結果的版權作品認定應基于已經生成的表達結果，獨創性的判定對象只能是作品本身。（8） 版權制度的核心在于自然人作者的獨立創作，這一過程使得作者能夠表達其思想或情感，并創作出具有獨創性的作品。因此，作者享有版權，從而鼓勵多樣化作品的創作和傳播，實現著作權法的基本目標。

在此類合成內容中更多的是模仿和翻唱。在音色方面通過音頻的深度合成模仿歌手，而翻唱其他歌手的作品本身就可能會侵犯改編權。有觀點認為，如果此類深度合成音樂只是用戶自娛自樂，不用于商業盈利，就可以免責。在上述討論中，這在《著作權法》層面確實有“合理使用”制度作為依據，《著作權法》第二十四條規定了12 種“合理使用”情形和一項兜底條款。然而，網絡上的AI 翻唱若通過直播或者上傳分享等方式傳播，已經構成了一個獨立的“信息網絡傳播”行為，并不在合理使用制度的豁免范圍內。因此，用戶在使用AI 進行翻唱的過程中應謹慎，翻唱本身可能被豁免，一旦有了傳播行為，仍然可能構成侵權。而且在創作平臺上，上傳者的收益項之一是來自網友的“打賞” 或“投幣”， 存在基礎的“流量變現”路徑和商業行為。因此，即便是粉絲的二次創作行為，也很難被界定為“不存在盈利”的情況。在傳播過程中，此類深度語音合成內容提到了明星的具體姓名，對明星的姓名權可能構成侵權。此外，進行翻唱時需確保符合著作權法所規定的翻唱內容，否則都需要向作者支付相應的費用。

國家網信辦發文要求，在提供合成人聲、仿聲、人臉替換、姿態操控等深度合成服務時，應當提醒使用者要依法告知被編輯個人，并獲取其單獨同意；且合成內容如果可能導致混淆或者誤認，必須在合理位置上進行顯著標識，交代合成作品的具體信息。在“可追責”的情況下，一些平臺開始考慮給AI 內容加標識，以防止觀者混淆AI 生成的內容與真實內容。例如，抖音要求創作者給AI 視頻內容打上“AI 生成” 的水印。在AI 歌手的相關作品中，多數發布者發表免責聲明，以此來免除應當承擔的法律責任，但是免責聲明在司法判例中經常不被判定為免責依據。（9） 免責聲明的效力取決于其內容和主體行為是否符合法律規定，而不是由發表者是否發布此聲明來決定。

三、深度語音合成內容侵權治理

在版權侵權責任方面，一個關鍵問題是如何界定可追究的版權侵權行為，以實現鼓勵創作、促進知識傳播和文化繁榮、保護創作自由等多重立法目標。（10） 技術變遷造成版權侵權行為呈現出擴張態勢，人工智能對作品的使用與生產行為都應明確納入著作權限制與例外范圍，能夠一定程度上防止技術的“寒蟬效應”，促進公平競爭，豐富社會文化。

在歐盟最新修訂的《數字單一市場版權指令》中已經開始考慮包括深度合成在內的技術發展對版權的影響。美國目前雖然還沒有明確的立法，但美國版權局曾公開征集公眾關于人工智能作品的版權問題的意見。世界知識產權組織提倡應認真考慮人工智能生成內容的保護范圍，以及人工智能是否能視為版權的主體。2023 年3 月美國版權局推出了關于生成式人工智能作品版權的政策聲明，依然堅持了版權法只能保護“人”的智力創造這項基本原則。我國《著作權法》第一條就明確規定了立法目標：保護作者的著作權和傳播者的鄰接權（相關權），鼓勵作品的創作和傳播，促進文化和科學事業的發展與繁榮。（11） 為技術正確發展保駕護航需要合理的措施進行指導與規范。

（一）細化合理使用的各個環節

面對人工智能技術的發展，合理使用面臨嚴峻挑戰。由于“三步檢驗法”在立法技術上的缺陷及其過于嚴格的限制解釋，合理使用的空間進一步被壓縮和侵蝕。（12） 一方面，提供大量已有版權作品用于“學習”，以及在深度合成創作過程中對現有作品的歸納和編輯，均存在侵權風險；另一方面，由于“學習”內容的海量性，獲取版權人許可的高成本也使得這一途徑的可行性受到影響。

在人工智能時代，版權保護與合理使用之間的平衡發生變化。技術工具成為創作主體的重要部分，傳統的合理使用顯然無法適用于現狀。應當重構版權保護與合理使用的關系，拓展合理使用的范圍，采用彈性、開放式的合理使用。（13） 深度合成的三個階段中，“輸入” 和“學習” 階段均可被納入合理使用的范疇之內。但是在“輸出”階段，則應該具體問題具體分析。在版權法的侵權界定框架內，若成果與原作品展現出“實質相似性”，則自其創作完成之際，該成果便不再享有合理使用的豁免權，轉而置于版權所有者的專屬權利控制之下。反之，若產出內容與既有作品間缺乏“實質相似性”，且內含獨創性的新穎元素，則依據版權法規定，此類作品不應被認定為侵權行為，因其體現了足夠的創新性與差異性。

（二）技術助力行業標準的建立

針對深度語音合成內容生成與傳播領域，相關行業亟需深化自我規制，構建并優化行業標準體系、職業操守規范及自律監管機制。此舉旨在促進深度合成服務提供者與技術支持者主動制定詳盡的業務操作規范，在法律的框架內穩健運營，并開放式地接受公眾監督與評議。同時加強行業內部的交流，加強對相關法律法規的解讀。2022 年11 月25日，國家網信辦正式公布的《互聯網信息服務深度合成管理規定》（以下簡稱《規定》）為深度合成服務提供者施加了標識和顯著標識兩類義務。然而，其表述在實際的運用過程中依然缺乏足夠的確定性。目前，各類侵權更加隱蔽且頻繁，危害深度合成服務行業的發展，因此需要建立統一的行業標準，解決深度合成內容侵權識別與版權保護問題。技術的運用有利于降低版權保護的成本并且提高效率，監測追蹤技術是打擊深度合成技術濫用進行證據收集的重要方式。已有的用于深度合成監測工具的訓練不夠完善，監測手段不夠智能。未來，更加普適化地針對深度合成各類型智能化的鑒別技術，建設可靠性強、精準度高的技術鑒別平臺。（14）

（三）明確服務提供者責任義務

《規定》第七條、第八條中明確指出深度合成服務提供者的主體責任與應盡義務，如完善平臺與創作者的服務協議，在內容上傳前要求創作者自覺對內容進行標識。《規定》第二十三條提到，提供深度合成服務的組織、個人屬于深度合成服務提供者。個體的深度合成使用者并不能孤立地傳播作品。因此，不論是深度合成服務的提供者，還是兼具傳播能力與輿論屬性的媒體平臺，都應承擔相應的主體責任。此外，通過這個平臺觀察可以看出，目前仍存在部分深度合成內容識別不詳盡、表示不明顯的問題，網絡中存在大量難辨真假的深度語音合成內容，危害社會秩序、侵害他人合法權益。對此，深度合成服務的提供者應依法對服務使用者的身份信息進行嚴格核實與認證；同時，應實施技術手段，在不干擾用戶體驗的前提下，嵌入清晰可辨的標識信息，以維護內容的透明性與可追溯性。深度合成服務者應設置用戶申訴和投訴入口，透明化處理。平臺作為生成式人工智能內容傳播的重要通道，應當率先向治理主體身份轉變，可以規約用戶主動做合成告知，建立“標注”規則以及披露核查機制，建立“失信”數字臺賬記錄，做好創作者的個人信用評估。

四、結語

深度語音合成技術在音樂領域甚至更廣泛的休閑娛樂領域取得的優勢發展，是對人工智能技術的靈活運用及其產生的持續效用。目前，無論AI 歌手是否尊重了歌手的意愿和權利，是否會對真實音樂創作者產生不公平的競爭，即使確實存在涉及的侵權行為，“我們無法否定媒介化生存時代的存在，也無法阻止傳播技術的前進。”（15） 我們不能阻礙技術的發展，而應該引導技術發展。通過我國先后頒布的相關法律法規可以看出，我國鼓勵各類生成式人工智能技術在各行業、各領域的創新應用，采取“寬進寬出”的結構原則。同時，類似AI 語音包因其獨特趣味性也大受好評，大量用戶甚至新聞媒體都在視頻制作中進行使用和傳播。在符號價值、快樂原則高度凸顯的當今社會，隨著重視用戶體驗和貼近消費者個性化需求的社會文化生態逐步形成，具有獨特個性和高度便利性的深度語音合成技術將迅速贏得年輕用戶群體的接受與青睞。因此，既要不斷落實和規范保護作品的版權，也不能阻礙社會文化創作的繁榮發展，要引導深度合成技術的良性發展，激發創作和創新活力，推動文化市場發展。

（作者王歡妮系重慶師范大學新聞與傳媒學院教授；鐘艷系重慶師范大學新聞與傳媒學院碩士研究生）