微软（ruǎn）研（yán）究人（rén）员展示了一种令人印（yìn）象深刻的新型（xíng）文本转（zhuǎn）语（yǔ）音人工（gōng）智能（néng）模型，名为Vall-E，它可以只听声音几秒（miǎo）钟，然后模仿声（shēng）音（yīn）——包括情感语调和音响效果——说出（chū）你想说的任何（hé）话。

这是（shì）许（xǔ）多人工智（zhì）能算法（fǎ）中最新的一种，它（tā）们（men）可（kě）以（yǐ）利（lì）用一（yī）个人的声音录（lù）音，让它（tā）说出（chū）这个人从未说过的单（dān）词和句子——而且它只需要一小段音频就能推断出整个人类的（de）声音，这是非常了不起的。例（lì）如，2017年蒙特利尔大学的Lyrebird算法需要（yào）整整一（yī）分钟的语音来分析，而Vall-E只（zhī）需要三秒钟的音频片段。

人工智能（néng）已经接受（shòu）了大约6万小时的英（yīng）语演讲训练——似乎主要是通过有声读物解说员，研究人员提（tí）供了大量（liàng）样本，在这些（xiē）样本中，Vall-E试图操纵一系列人类（lèi）的声音。有些人在捕捉声（shēng）音的本质和构（gòu）建听起来自然的新句子方面做得非常出色——你很难分辨出哪个是真实的声（shēng）音（yīn），哪个是合成的。在其（qí）他情况下，唯一的漏洞是人工智能将重点（diǎn）放在句子中（zhōng）奇怪的地方。

Vall-E在重新创建原始示（shì）例的音（yīn）频环境方面做得特别（bié）好。如果样本听起来（lái）像通过电话录制的，那么合成也是如此。它在口音方面也（yě）很不错——至少是美式、英式和一些欧洲口音（yīn）。

在情感方面，结果就不那么令人印象深刻了。使用愤怒（nù）、困倦、有趣或厌恶的语音样本似乎（hū）会让事情偏离轨道，合成出（chū）来的声音（yīn）听起来扭曲得很奇怪。

这类技术的（de）影响非常明显;从积极的方（fāng）面来看，将（jiāng）来你在超市里推手（shǒu）推车的（de）时候，可以让摩根·弗里曼（màn）(Morgan Freeman)为你的购物清单念一遍。如果演（yǎn）员在电影中中途死亡，他（tā）们可（kě）以使用这（zhè）样的（de）系统通过深度伪造（zào）的视频和音频来完成表演。苹果公司最近推出了一套由人（rén）工智能为你朗读的有声读（dú）物（wù）目录，很显然，你很快就能（néng）在飞行（háng）中切（qiē）换旁（páng）白。

消极的一面是，这对配音演员（yuán）和（hé）叙（xù）述者来说（shuō）并不是（shì）什么（me）好消息。或（huò）者对听众来说（shuō）;人工智（zhì）能或许（xǔ）能够快速且廉价地完（wán）成叙述（shù），但不要指望它有太多艺术元素。他（tā）们不会像史蒂芬·弗（fú）莱那样解读道格拉斯·亚当斯。

骗子的潜（qián）力也非常大。如果一个骗子能让你在电（diàn）话上停留三秒（miǎo）钟，他们就能（néng）窃取你的声（shēng）音（yīn），然后（hòu）用它给你的奶奶（nǎi）打电话。或者绕过任何语音识别安全设备。这正是终结者机（jī）器人打电话时需要（yào）的东西。

当然，每个人都（dōu）还在（zài）等待这样一个时刻：一个政治人物的第一次深（shēn）度伪造的演（yǎn）讲，欺骗了（le）足够多（duō）的（de）人，破坏（huài）了（le）相信你的眼睛和耳（ěr）朵的概念（niàn）——就好像客（kè）观真理在这（zhè）个奇怪（guài）的时代还没（méi）有受（shòu）到攻（gōng）击一样（yàng）。

微软Vall-E团队在其演示页（yè）面的末尾附（fù）加了（le）一份简（jiǎn）短的道德声明:“这项工作中的实（shí）验是在（zài）假设模型的用户是目标说（shuō）话者并已得到说（shuō）话者（zhě）的批准的情况下进行的。然而，当模型推（tuī）广到看（kàn）不见的演讲者时，相关的（de）组件应该伴随（suí）着（zhe）语音编辑模型，包括确保演（yǎn）讲者同（tóng）意（yì）执行修改的协议和检测编辑后（hòu）的语音的系统。”

像（xiàng）DALL-E、ChatGPT、各种deepfake算法（fǎ）和无数其（qí）他创造性人（rén）工智能的崛起，感觉在过去（qù）几个月里正处（chù）于一个拐点，开始（shǐ）冲出实验室，进入（rù）现实世界。与所有变化（huà）一样，它带来了机遇和风险。我（wǒ）们真的生活在一个有趣的时代。