霉霉说地道中文的视频火了背后这个 AI 工具强大到可怕

　　作为国际巨星，「霉霉」在中国有不少粉丝，粉丝都知道「霉霉」不会讲篇幅很长的中文，想听她说中文那像盼过年似的。

　　下面这个视频里的「霉霉」用自己的音色和语气，自然流畅地用中文接受采访，就连口型都是中文口型。

　　实际上，这段视频原本是「霉霉」全程使用英文参与一个访谈节目。她之所以可以讲出自然流畅的中文，是因为一款名为 HeyGen 的一键翻译视频 AI。

　　这个功能可以一键把视频的语音内容翻译为其它语言，同时保持口型完美符合相应语言的发音。

　　目前，HeyGen 网站允许用户上传不超过 5 分钟、大小不超过 500MB 的视频文件生成翻译视频，支持 mp4、quicktime 和 webm 格式。

　　AI 先获取了「霉霉」说的英文内容翻译成中文，再模拟「霉霉」的音色，接着替换掉「霉霉」的口型，最后合成一个以假乱真的视频，实现了让「霉霉」说中文的效果。

　　AI 霉霉的视频创作者是 Gorden Sun，据他说，生成 AI 霉霉的视频仅用了 40 秒。

　　以前，我们想听一个外国人说中文，需要内容校对，专人翻译和选人配音三个步骤，最后得到的是有点儿违和的翻译腔语音，体验并不好。

　　只要你想，你可以用 HeyGen 的一键翻译视频功能让苹果 CEO 库克讲印地语，音色、口型和抑扬顿挫难辨真假，几乎让人觉得库克本人就会讲印地语。

　　这项技术的商业前景想像力充足，可用于译制国外大片和影音资料、转播新闻、直播发布会和直播带货等等。

　　今年 1 月份，微软发布了一款人工智能工具 VALL-E，具有上下文学习的能力，只需一个人 3 秒的特定音频作基础，即可模仿这个人的声音开始长篇大论，复制出这个人的音色、环境混响、情绪和语气。

　　到了今年秋天，AI 语音更进一步，iPhone上的「个人声音」功能支持用户把 iPhone 放在约 1.5 米远的地方录制约一个小时的音频，接下来用户就可以使用「另一个自己的声音」和他人交流。

　　可以预见，未来苹果生态中许多功能会和「个人声音」功能产生联动，例如 Vision Pro 的虚拟形象等。

　　国内企业也在发力 AI 语音功能，百度地图推出了 AI 向导，由文心一言提供大模型服务，集行程助理、本地向导、聚会达人、办事专家、城市导游、专属陪练和专属向导为一体，已经大大超越了传统语音导航的体验。

　　网易推出了 Hi Echo 英语口语教练小程序，口语水平极高，知识面极广，发音无限拟真，交流几乎无场地和时间限制，像人类一样有智慧，还不需要高额学费，让曾从事 K12 教育行业的我为英语教师捏了一把汗。

　　前不久，ChatGPT 上线了语音功能，和以前一些 AI 机械声不同，它的声音拟真到了令人毛骨悚然的地步。

　　它说话时，会加上一些组织语言的「emm」再说话，出现短暂停顿和轻微的呼吸声，更会结合语境进行语气处理，让语言有自然流露的情感和态度立场。

　　它甚至有口音，有口齿音，有卷平舌和鼻音边音瑕疵，有重音，会调节不同字词句的语速。

　　你还可以告诉它，「假设你是一个渣男，用渣男的语气和方式哄正在生气的女朋友开心」。

　　前一秒还是「正经人」的 AI 立即换成渣男气泡音，叫女朋友宝贝，哄女朋友喝水，还给女朋友画饼带她出去吃好吃的。

　　只要我们给 AI 一个人设，它接下来的应答都会匹配合适的声音，真实感几乎以假乱真。

　　对于不少人来说，在职场重大场合如何敬酒讲话是个大难题，不过这完全难不倒 AI。

　　有人测试过，让 AI 在有 5 个领导的场合下敬酒说话，AI 是这样回答的：

　　「王总，您的远见卓识引领着我们不断前进，李副总，您的勤奋和聪明才智是我们的宝贵财富，张经理，您的创新和决策能力推动着团队的进步，刘主任，您的细心和责任感保障着我们的品质，陈处长，您的领导和支持是我们取得成功的关键，再座的各位领导，感谢你们的辛勤付出和无私奉献，为了我们共同的未来干杯。」

　　这番回答通过细微地用词不同暗示了各位领导的地位，也点明了各位领导的团队贡献，除非有领导故意穿小鞋，否则挑不出什么大毛病。

　　即使拟人声音、角色扮演和智慧应答融为一体，可是还是有人会说和真人还有差距，往往我们忽略了一点：

　　在评判 AI 和真人差距时，我们总会以能想象的人类最高水准作为及格线去评判 AI，可具体到现实世界的一个个普通人，我们真能在仅仅几秒的思考后，每次都情绪稳定、字正腔圆、语音声调恰当、表意近乎完美地去说出一番话吗？

　　扪心自问，毫无准备的情况下至少我做不到，至于正在看这篇文章的你，内心应该有个答案。

　　几年前为防范诈骗，很多人在收到文字转账或借款消息时，往往会打一个电话确定对方是不是本人，现在这个方法渐渐失灵了。

　　随着算力和算法的进步，现在仅需秒级音频即可无限拟真，复制一个人的声音这件事变得越来越简单，衍生了诸多问题。

　　今年 10月，TikTok 上「AI 奥巴马」用着奥巴马的人类思维方式、脸和声音，驳斥着有关他的阴谋论。

　　这个 AI 奥巴马的声音是使用一款名为 ElevenLabs 公司开发的工具生成的，该公司去年年底推出了免费的人工智能文本转语音工具，能够在几秒钟内生成逼真的音频。

　　颇具黑色幽默的是，ElevenLabs 公司还有一款 AI 检测工具，能够识别 AI 内容，似乎和 PC 时代的杀毒软件有异曲同工之妙。

　　《》进行了一番测试，ElevenLabs 的 AI 检测工具可以成功识别 TikTok 帐户中的 AI 音频，但如果 AI 音频中添加了音乐或者音频文件有一定程度失真时，检测就失败了。

　　在日益复杂的互联网生态中，类似这样由 AI 生成的视频内容越来越多，拟真度也越来越高。

　　AI 应答、AI 人脸和 AI 图像犹如女娲一样捏出了「新人类」，现在出现的极度成熟的 AI 声音则给「新人类」注入灵魂。

　　一方面，我们享受着 AI 孙燕姿、AI 霉霉、AI 向导、AI 英语教师等带来的便利。另一方面，如何防范 AI 使用者扭曲内容本意或造假内容变得越来越困难。

　　利弊几何，不如请「霉粉」们来说一说，你们是想要一个说着英文的真人「霉霉」，还是想要一个说着中文的「AI 霉霉」？