迄今最復雜人工智能語音模型創建，可模仿人的原聲|總編輯圈點

(相關資料圖)

Meta稱研制出迄今最復雜人工智能語音模型。圖片來源：英國《每日郵報》網站

科技日報記者?劉霞

據英國《每日郵報》23日報道，臉書母公司元宇宙平臺公司（Meta）稱，其已研制出“迄今功能最強大的語音生成式人工智能Voicebox”，它能夠模仿任何人的聲音，包括逝者。不過，由于擔心這項先進技術會被濫用，Meta宣布不會公開其人工智能模型。

Meta公司深度學習人工智能研究人員在介紹Voicebox時指出，Voicebox使用了“流匹配”方法，其表現優于當前最先進生成式語音系統使用的擴散模型。結果顯示，Voicebox生成的人工音頻更容易理解，單詞錯誤率為1.9%，低于競爭對手的5.9%。此外，Voicebox生成的音頻與真人的相似性更高，同時速度快了近20倍。

在跨語言翻譯時，Voicebox的表現優于備受贊譽的多語言文本—語音AI YourTS，單詞平均錯誤率從10.9%降低到5.2%，音頻相似度從0.335提高到0.481。

Meta闡述了Voicebox的多種用途，稱其可用來幫助視障人士聽到朋友和親人的信息，或允許非母語人士用自己的聲音翻譯自己所說的話。據悉，Voicebox目前能說6種語言：英語、法語、西班牙語、德語、波蘭語和葡萄牙語。

不過，Meta強調稱，由于潛在的濫用風險，他們目前不會公開Voicebox模型及其代碼。雖然他們認為向人工智能社區開放并分享研究，對于推動人工智能向前邁進非常重要，但在開放與責任之間取得正確的平衡也至關重要。

總編輯圈點

ChatGPT橫空出世半年多時間，人們已然深刻感受到人工智能語言模型的強大。對于各種提問，它都能對答如流，令人驚嘆。試想一下，如果人工智能在回答人類的提問時，不僅內容形式酷似真人，就連聲音也令人真假難辨，用戶恐怕會感受到更強的沖擊力。而后者，正是語音生成式人工智能要實現的目標。不過，正如文中所言，這些強大的技術確實有被濫用的可能，在人工智能技術不斷升級迭代的同時，相關監管與倫理約束也要及時“上路”。

關鍵詞：