Meta推出新人工智能模型Voicebox，可以根据文本提示创建合成语音

Meta（以前称为Facebook）似乎开发了一种名为Voicebox的新人工智能模型，它完全是关于音频的。它就像一个强大的文本转语音系统，可以仅根据文本提示创建合成语音。Voicebox的核心是一种人工智能模型，可根据简单的文本提示创建合成语音。换句话说，你给它一些文本，它就会用听起来像人类的声音大声朗读出来。它类似于您在手机或计算机上使用的文本转语音功能，但它将这个过程提升到一个全新的水平。

Voicebox的与众不同之处在于它能够根据非常短的音频样本复制特定的语音风格，我们所说的是只有短短两秒！这意味着您可能会拥有听起来像您最喜欢的名人甚至您自己的声音的合成声音。这几乎就像有一个按需配音演员，准备好以您选择的声音风格读出您想要的任何内容。

Speechify和ElevenLabs也是文本转语音游戏的参与者。Speechify是一款将任何文本转换为音频的应用程序。它可以大声阅读书籍、文章、笔记、电子邮件、PDF、图像和网页。Speechify还声称提供语音克隆、语音编辑和语音采样功能。Speechify提供数百本免费的有声读物，有一个桌面应用程序，旨在帮助有阅读障碍的人。另一方面，ElevenLabs是一家利用人工智能生成具有上下文情感和自然语言理解能力的合成语音的初创公司。他们提供了一个平台，用于为视频游戏、动画、数字助理、教育、娱乐、广告和播客等各个行业创建和定制任何声音和风格的高质量语音音频。他们还有一个用于检测合成声音并验证其真实性的工具。ElevenLabs与提供声音样本的演员合作，使用他们的克隆声音获取报酬。他们使用专有的深度学习模型来创建人工智能演讲。

这些技术听起来都很酷，但它们不具备与Voicebox相同的多功能性，后者可以从短短几秒钟的音频中模仿出真实的声音。这就像将一把瑞士军刀与几把非常好的勺子进行比较。它们都有各自的用途，但其中一种绝对具有更多用途。

Voicebox不仅仅是创造假的声音。它还可以通过消除烦人的背景噪音来完善您的音频，比如说，当您录音时旁边狗的叫声。不仅仅是英语。该人工智能还会说法语、西班牙语、德语、波兰语和葡萄牙语，甚至可以将段落从一种语言翻译成另一种语言，同时保持相同的语音风格。

不幸的是，或者幸运的是，取决于你对人工智能的看法，Meta并不打算马上开放Voicebox的源代码。这让人怀疑他们是否在试图避免一些潜在的问题。例如，人工智能语音技术可能会被负面使用，比如骚扰电话。或者，Meta可能有一些未来计划通过这个模型赚钱。

Voicebox的一个有趣之处在于，它接受了大量数据的训练，超过60,000小时的英语有声读物语音和另外50,000小时的多语言有声读物语音。Meta表示，他们使用公共领域有声读物作为主要数据源，但他们也使用其他来源，例如播客、演讲和广播节目。然而，使用公共领域有声读物存在一些挑战和限制，例如质量、一致性、和说话者身份。Meta声称他们已经通过数据处理和模型设计解决了其中一些问题。

人工智能声音的兴起是一个有点敏感的话题，尤其是对于配音演员和作家来说。他们担心公司会使用人工智能来合成他们的声音而不付钱给他们。有声读物市场一直在大幅增长，公司一直在寻求削减成本，因此这可能最终成为语音专业人士面临的另一个问题。不过，请不要误会；这不仅仅是工作问题。人们确实担心在诈骗中使用这种技术。例如，有一个案例是在一次重大抢劫中使用了冒充首席执行官的合成声音。还有人担心深度伪造的声音可能会被用来欺骗语音识别系统，而这些系统用于网上银行等系统。

你看，尽管这项技术听起来很酷，但它也有阴暗的一面。想象一下，你接到老板的电话，要求转出一大笔钱。你按照吩咐去做，因为，好吧，这是你的老板。但事实并非如此。这是一个用人工智能创建的假的合成语音，听起来就像你的老板。这不是电影情节，它真的发生了！在抢劫中使用假声音，这让执法部门和人工智能专家摸不着头脑。不仅仅是抢劫。它可用于欺骗依赖语音识别的系统。我们正在谈论的诸如网上银行之类的东西，它使用您的声音作为一种身份识别形式。如果犯罪分子能够为您制作令人信服的假声音，他们就有可能访问您的帐户。这有点像伪造签名，但用的是你的声音。因此，虽然我们惊叹于技术可以做令人惊奇的事情，但意识到潜在风险并保持领先一步也很重要。这就像一场猫捉老鼠的高科技游戏，人工智能专家和企业正在努力发现并阻止这些深度伪造的声音，以免它们造成任何伤害。