短視頻AI配音的使用與滿足研究

摘要：聲音作為一種媒介，影響著人與場景之間的關系，讓人感知并涉入世界。當下，迅速發(fā)展的智能語音合成技術不僅可以用于人機協(xié)作、自然語言理解等領域，而且在改善語音交互體驗、服務于特定人群等方面也具有廣泛的應用價值。作為AIGC（人工智能生產(chǎn)內容）的分支之一，AI配音在短視頻領域也迎來了極大的發(fā)展和創(chuàng)新。一方面，智能音色在語音轉換、音效增強、畫面配音等方面能夠起到增益效果，促進內容創(chuàng)作的繁榮。另一方面，基于技術創(chuàng)造的標簽、話題、熱梗開辟了網(wǎng)絡傳播的新形式。低成本、效果優(yōu)、差異化的優(yōu)點讓智能語音在某種程度上代替甚至超越真人人聲，以一種貼合大眾的視點轉述用戶的表達并提供全新的聽覺審美體驗。為了進一步探索AI配音在短視頻領域所凸顯的功能，本研究采用文獻調查法、觀察法等，分析短視頻中AI配音所呈現(xiàn)的特征，將其總結為資源預置化、聲音賽博化、聽覺審美化三點。文章以使用與滿足理論為依據(jù)，從技術手段、語音符號、聽覺方式、傳播模因多角度入手，探討短視頻AI配音對受眾的娛樂、情感、認知、整合等需求的滿足。文章認為，對于短視頻AI配音應保持關注和反思，雖然AI配音存在同質化、版權等問題，但是相信隨著社會技術的變革，智能語音的發(fā)展會適配更多短視頻場景，為更便捷高效的生活方式創(chuàng)造更多可能。

關鍵詞：AI配音；人工智能；使用與滿足；聽覺文化；模因傳播

中圖分類號：TP18；G206 文獻標志碼：A 文章編號：1674-8883（2024）04-0001-03

基金項目：本論文為2023年度中共遼寧省委黨校國家社科辦社科基金項目“數(shù)據(jù)驅動國家治理現(xiàn)代化的內在機理與實現(xiàn)路徑”研究成果，項目編號：23BZZ084

一、引言

智能語音即實現(xiàn)人與機器以語言為紐帶的通信[1]。AI配音是基于語音合成技術，運用計算機采集人類聲音樣本生成語言模型以此完成配音任務的過程。TTS（語音合成）能夠將文字轉化為聲音（朗讀出來），是AI配音的技術支撐。抖音短視頻對應的剪輯軟件“剪映”、快手短視頻的“快影”，都提供各式各樣的AI配音。如今技術的發(fā)展與賦權使得眾多UGC進入短視頻市場，AI配音的使用主體迅速下沉到各個圈層，極大地豐富了視聽元素。聲音比影視更具滲透力、爆破力，正常人可以將眼睛長時間閉上，卻無法長時間把耳朵捂著[2]。短視頻作為視聽藝術的載體，畫面配音直接或間接地影響受眾對視頻內容的解讀，能夠滿足用戶不同的視聽需求。

二、短視頻AI配音的應用特征

（一）資源預置化

正如保羅·萊文森所說：“一切媒介的性能終將越來越人性化。”[3]AI配音的聲音是通過“爬數(shù)據(jù)”來組成，迭代速度快。只要采集到足夠多的聲音樣本，其在不同的場景就可以隨意變換音色。對聲音來說，可選擇的原聲、預置的音色，為用戶提供了一種模式化、可復制的表演前臺，人們原本豐富多彩的個性被劃分為了不同的“人設”[4]。

AI配音現(xiàn)象在短視頻平臺隨處可見，小到生活記錄、大到主流媒體玩“梗”，表面上是不同的影視角色、地域方言講述著不符合他們形象的故事，實際上是大眾通過網(wǎng)絡切換身份向世界袒露心聲、表達傾向。如剪映APP從最初的通用基礎男女聲，到現(xiàn)在擁有百余種音色選擇，主要包括影視人物、動漫角色、地域方言等。這些一鍵生成的預設選項降低了視頻創(chuàng)作成本，滿足了不愿出鏡或不想使用同期聲的用戶的需求，保護了用戶隱私，給予了用戶足夠的自由。

（二）聲音賽博化

約斯·德·穆爾總結了數(shù)字媒介的三種特性：多媒體性、互動性、虛擬性[5]。19世紀七八十年代，留聲機、唱片的發(fā)明和使用讓人聲脫離了身體實在。隨著互聯(lián)網(wǎng)時代的到來，人們只需輕點指尖便可游離于形形色色的場景之中，當身體被隱藏，聲音作為一種物理現(xiàn)象在網(wǎng)絡中呈現(xiàn)出賽博化的特征。

短視頻功能的開發(fā)和細化不斷挖掘著聲音的價值和魅力，平衡了視與聽之間的關系，也在無形中改變了大眾的生活方式與感知模式。對于用戶而言，在視頻中發(fā)聲也屬于一種情感實踐。

在講述相關故事的過程中，智能音色發(fā)揮了重要作用，“猴哥”開始進行知識科普、“主持人”吐槽起了日常瑣碎。如果說一般的真人配音是對文本內容的物理加工，那么AI配音作用于文本，帶來的則是熟悉而又陌生的化學反應。

（三）聽覺審美化

人們在接觸視聽作品的過程中，由于視覺的直觀性，審美對象仍以承載意義的文字為主，而聲音的審美價值可能被有意無意地忽略。基于智能音色所產(chǎn)生的信息產(chǎn)品雖難以被納入繪畫、音樂等藝術范疇，但也會在一定程度上影響受眾的認知、態(tài)度、行為等。不同的音色呈現(xiàn)多元的個性風格和審美特征：動漫音活潑、年輕化；播音腔莊重，凸顯專業(yè)度；方言親切，消解距離感。和能夠辨別方向的眼睛相比，耳朵是一種情感性媒介[6]。

AI配音正以全新的聽覺方式塑造新的聲音景觀。短視頻能夠直接抓取用戶眼球，并產(chǎn)生指向性讓用戶投入畫面當中，開啟第一次內容解讀，而聲音揭示了另一層解讀意義，引導用戶跟隨博主的步調繼續(xù)了解視頻內容。一般來說，真人人聲聽起來更加親切，但帶有科技紋理的AI配音未嘗不能響應用戶的心聲。

三、短視頻AI配音的使用與滿足

1974年，美國社會學家卡茨提出，“使用與滿足”理論，把受眾看作有特定需求的個人，把他們的媒介接觸活動看作基于特定需求的動機“使用”媒介，從而使這些需求得到“滿足”的過程[7]。

新媒體時代，傳受雙方的地位發(fā)生了“融合性”變化，用戶既是生產(chǎn)者也是傳播者。短視頻AI配音讓用戶與內容之間的聯(lián)系更加緊密，逐漸影響用戶的使用習慣，滿足不同的使用需求。

（一）賽博聲音滿足情感需求

聲音不像目光那樣帶有方向性地向其對象投射，卻總是形成一個將聽覺主體沉浸其中的環(huán)境[8]。AI配音的特質提高了用戶講故事的能力，助力個人表達內心情感。

如果說短視頻打開了人們抒發(fā)情感的另一扇門，那么AI配音就是他們細化喜怒哀樂的窗口。不管是虛擬世界還是現(xiàn)實世界，總有“沉默的大多數(shù)”，AI配音授予那些在現(xiàn)實世界中“開不了口”的用戶開口的權限，讓那些在虛擬世界中“開不了口”的用戶有了開口的勇氣。

當智能語音技術加入口語傳播行列后，有聲語言傳播便可擺脫人的限制，進行非器官發(fā)聲[9]。熱門的“猴哥”“譯制片男”語音包，不論是用于個人日常Vlog創(chuàng)作，還是評論其他熱點現(xiàn)象，僅僅通過一鍵生成，靈動、厚重的聲音能為單薄的文本增色添彩，視頻創(chuàng)作也更加便捷和富有表現(xiàn)力。互聯(lián)網(wǎng)自帶的趣緣性特征讓用戶交際處于弱關系狀態(tài)，而賽博化的聲音提高了人們表達情感的自由度，從而加強對自我世界的“強建構”。

（二）語言質感滿足娛樂需求

美國社會學家戈夫曼在《日常生活中的自我呈現(xiàn)》一書中提出擬劇理論。他指出，人生是一場表演，社會是一個舞臺，社會成員通過運用各種符號按照事先準備的腳本進行表演[10]。用戶通過這些預置的音色即刻達到配音效果，扮演不同的角色。

對于生活類短視頻來說，受眾使用AI配音更多的是想嘗試喜愛的風格來釋放情緒、卸下偽裝，聽眾也不需要過多思考，二者互為陪伴。在分享的過程中，人們被重視、被認可、被崇拜的需要得到了滿足[11]。

泛娛樂化媒體有自身的聲音標識，統(tǒng)一聲音風格也是樹立創(chuàng)作者形象的標準之一。如抖音“會火”“巨星火火”等百萬級資訊媒體多使用甜美音、溫柔音來輸出豐富的生活信息，既適應短視頻平臺的調性，也滿足了目標受眾的視聽習慣和娛樂需求。如今，媒體和用戶互為內容素材，通過視頻中各種有趣的聲音符號來傳播，活化了平凡的生活文本，訴說著嚴肅，又消解著嚴肅。

（三）高效生成滿足認知需求

對于專業(yè)性內容生產(chǎn)而言，畫面與聲音具有強烈的相關性和匹配度。短視頻中的影視解說往往以沉穩(wěn)聲、播音腔為標志，配合劇情的畫面片段和BGM（背景音樂），造就一部高質量短片。

對于短視頻新聞而言，音色或磁性沉穩(wěn)，或溫柔輕快，在沒有人工配音的基礎上能做到與畫面有機配合、智能產(chǎn)出，滿足用戶需求。從當前的情況來看，AI配音作為輔助工具，可能會在一定程度上代替人類進行新聞報道[12]。

值得注意的是，當這樣一種文本朗讀模式被套用在文學讀物中時，也別有一番滋味。在文字還沒有成熟之時，以口語傳誦的荷馬史詩、《詩經(jīng)》等詩歌作品，就已經(jīng)開始傳達人們的思想與情感，記錄人們的生活與文化[13]。AI配音能夠模仿抑揚頓挫的人聲，將相關內容以歌唱的形式表現(xiàn)出來。抖音短視頻中#AI讀詩#有8000萬次播放量，理性的人工智能把感性的文藝詩詞唱出來之后，在某種程度上強化了人們對文化的感知。

（四）網(wǎng)絡模因滿足整合需求

模因是通過模仿而傳播的文化基因，由于模仿而導致的大規(guī)模傳播行為，被稱為“模因傳播”[14]。在技術賦權時代，網(wǎng)絡傳播的內容、形式、范圍和速度都發(fā)生了變化，人們往往更傾向于模因傳播來引發(fā)網(wǎng)絡狂歡，重視創(chuàng)新參與和趣味互動。

由于生產(chǎn)中不同的編碼意圖和傳播中不同的改進意愿，同一音色能建構龐大的內容矩陣。雖表不同意，然聲從同源。曾經(jīng)流行的“鼠鼠文學”便是大眾通過“鼠鼠”這個意象來進行自我消解，配上“譯制片聲”，講述自己微不足道的底層經(jīng)驗。相比于真人人聲，配音能夠更好地傳達平等交流的理念，這既是對自我信心的強化，也能夠加強個人與群體的連接。除此之外，AI音色與特定內容的綁定，也可成為視頻創(chuàng)作和傳播的模因，如短視頻平臺大量涌現(xiàn)的“在校大學生宿舍好物分享”“買家秀與賣家秀”等主題內容，該類模因已具備語言模因的性質。聲音不僅具有解釋畫面的功能，更能夠呈現(xiàn)人的回憶與想象[15]。

四、結語

短視頻AI配音改變了人們的視聽體驗，拓展了用戶創(chuàng)作和網(wǎng)絡傳播的邊界。多元音色不僅能滿足用戶基本的娛樂需求，還能起到替代性作用，為“沉默的大多數(shù)”打開與外界交流的窗口。專業(yè)領域對該技術的應用客觀上也加強了圈層之間的交流，促進了社會的整合。AI配音在AIGC領域扮演著越來越重要的角色，提供各式資源供大眾娛樂和訴情，同時也在塑造著新的聽覺方式和聲音景觀。盡管AI配音目前存在一些問題，如內容同質、聲音版權等，但這些都沒能阻止它在各個領域的廣泛應用。相信隨著社會技術的變革，智能語音會適配更多的短視頻場景，為人們的休閑娛樂創(chuàng)造更多的可能，讓人們獲取信息更加便捷高效。

參考文獻：

[1] 2020年中國智能語音行業(yè)研究報告[R].艾瑞咨詢，2020-02-10.

[2] 廖賈克·阿達利.噪音：音樂的政治經(jīng)濟學[M].宋素鳳，翁桂堂，譯.開封：河南大學出版社，2017：3.

[3] 保羅·萊文森.軟利器：信息革命的自然歷史與未來[M].何道寬，譯.上海：復旦大學出版社，2011：5.

[4] 王洋溢.短視頻聲音創(chuàng)作中“網(wǎng)感”的生成模式研究[J].新聞研究導刊，2023，14（2）：1-4.

[5] 約斯·德·穆爾.賽博空間的奧德賽[M].麥永雄，譯.南寧：廣西師范大學出版社，2007：89.

[6] 許加彪，張宇然.耳朵的蘇醒：場景時代下的聲音景觀與聽覺文化[J].編輯之友，2021（8）：12-17，23.

[7] 郭慶光.傳播學教程[M].北京：中國人民大學出版社，2011：167-168.

[8] 季凌霄.從“聲景”思考傳播：聲音、空間與聽覺感官文化[J].國際新聞界，2019，41（3）：24-41.

[9] 白貴，任青青.人工智能環(huán)境下有聲語言傳播創(chuàng)新的趨向及影響[J].海河傳媒，2020（3）：1-6.

[10] 歐文·戈夫曼.日常生活中的自我呈現(xiàn)[M].馮鋼，譯.北京：北京大學出版社，2016：103-107.

[11] 董晨宇，丁依然.當戈夫曼遇到互聯(lián)網(wǎng)：社交媒體中的自我呈現(xiàn)與表演[J].新聞與寫作，2018（1）：56-62.

[12] 劉慧君. AI配音的優(yōu)勢與劣勢探究：以《創(chuàng)新中國》中解說詞配音的功能為例[J].新聞研究導刊，2023，14（7）：7-9.

[13] 炸糕. AI讀詩：浪漫而空寂的回音，不是詩的回音[EB/OL].微信公眾號“知著網(wǎng)”，（2022-11-29）[2023-12-18]. https：// mp.weixin.qq.com/s/T9Y5a744K4_lD7MJAoUuag.

[14] 理查德·道金斯.自私的基因[M].盧允中，等譯.北京：中信出版社，2012：217-227.

[15] 王珍，胡銳.聲音景觀建構視角下短視頻AI配音濫用行為研究[J].電聲技術，2022，46（10）：31-33，46.

作者簡介 夏春秋，研究方向：網(wǎng)絡與新媒體。