只需3秒就能复制你声音的AI，是全新的AI蓝海吗？

　　       2022年属实是AI大年。

　　       从年初年中的AI绘画，到年尾的AI作者，好像这个AI已经实实在在的刷了一整年的存在感了。

　　       先是画图——画好图——画黄图，再到写文——写好文——写黄文，我不知道AI的制作者们抱着什么样的伟大信念制作出来这些新颖的好东西，但只要落到网友们的手里，这些数据模型肯定会被灌满奇怪的东西。

　　       就拿我群里最近疯狂转发的AI绘画最新训练成果来说，在我不知不觉间，这小机器人已经可以精准的拿捏我的XP了。

　　

　　

　　       不过今天要介绍的并不是这两个已经被玩坏的AI，而是微软最新出品的AI成果——语音合成模型VALL·E。

　　       它可不是那些影视剧讲解里的那些“注意看，这个男人叫小帅”的固定语气语调的AI念稿人，而是号称“3秒钟”就可以复制你的声音的赛博卡卡西。

　　       根据我查来的说法，VALL·E相比传统的AI语音模型采用“梅尔频谱”提取特征，它转换了思路与赛道，将语音合成这个步骤改为“语言模型”的任务。

　　       以前走音素→梅尔频谱（mel-spectrogram）→波形的流程，被VALL·E改变成了音素→离散音频编码→波形。

　　

　　       ——当然，尽管这些东西是我写出来的，但我完全看不懂官方说的是什么，我放张图也只是显得文章没有那么空而已。

　　       在我能看懂的介绍里，让我觉得最值得发出来给大家讲讲的，就是这个VALL·E，不只是能用过数据模仿出采样人的音色，它连语气和语速都模仿的非常到位。

　　       也就是说，你录个几句话给这个AI听一听，他就能通过这些数据来识别你的语气语速，并可以在接下来你制作的“作品”中使用这套数据——约等于，你不张嘴就把话说了。

　　

　　       除此之外，包括采样者的背景音和话语中的情绪，VALL·E都能通过学习慢慢掌握。

　　       一个音色、语气、语调、语速、情绪甚至是背景里的环境音被训练到极致的语音AI，说出的话可能真的和本人差别不大了。

　　       搭配上“AI作者”和“AI绘画”，好家伙，已经可以组织起一个公司会议上的赛博PPT了，等哪天“AI动画”出来了，我们没准还能看见机器人自己拍的电影。

　　       不少网友也评论，继画家和作者失业后，这股海克斯狂潮终于轮到配音演员身上了。

　　

　　       像其他 AI 新技术一样，这个尚未开源的VALL-E在安全、伦理等方面也引发不少人的担忧，尽管微软发布了关于使用 VALL-E 的道德声明，但未来的事儿谁又说得准呢。

　　       怎么样各位，这么看下来，你觉得这个VALL-E会不会是新的一年里的AI蓝海？