人工智能已經(jīng)突破了一項(xiàng)聲音障礙。麻省理工學(xué)院（MIT）的研究人員開發(fā)了一款人工智能系統(tǒng)，可以“觀看”無聲的視頻并且生成一段聲音，效果十分逼真，以至于多數(shù)觀眾無法分辨出這些聲音是否是計(jì)算機(jī)生成的。

　　MIT計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室（MIT Computer Science and Artificial Intelligence Laboratory）稱，其“深度學(xué)習(xí)算法”是頭一個(gè)通過“聲音圖靈測試”的，生成的聲音能夠以假亂真。

　　這款視覺指示聲音系統(tǒng)（Visually Indicated Sounds，簡稱Vis）受到訓(xùn)練，能夠?qū)髯訐舸?、刮擦或者捅一系列物體（從樹葉、水到土壤和鋼鐵）時(shí)發(fā)出的聲音進(jìn)行分析。

　　研究人員稱，Vis的本領(lǐng)可以延伸至很多其他場景。例如，未來的版本可以為電影和電視生成比傳統(tǒng)方法（比如在鋁箔上撒鹽以模擬雨聲）更逼真的聲音效果。

　　該項(xiàng)目的負(fù)責(zé)人安德魯·歐文斯（Andrew Owens）稱，更重要的應(yīng)用或許是幫助機(jī)器人理解物體的物理屬性、更好地與它們所在的環(huán)境互動(dòng)。該項(xiàng)目將于本月晚些時(shí)候在拉斯維加斯舉行的計(jì)算機(jī)視覺與模式識(shí)別大會(huì)（CVPR）上展出。

　　“機(jī)器人可以看著人行道、本能地知道水泥地是硬的而草地是軟的，因此知道如果它踩上兩種地面會(huì)發(fā)生什么，”他說，“能夠預(yù)測聲音，是預(yù)測與世界進(jìn)行物理互動(dòng)的后果的重要第一步?！?/p>

　　該MIT團(tuán)隊(duì)“訓(xùn)練”Vis的方法是，向其輸入包含4.6萬種聲音的1000段視頻，這些聲音是鼓槌在不同堅(jiān)實(shí)度的物體上敲打或劃過而產(chǎn)生的。之后，幫計(jì)算機(jī)在大量數(shù)據(jù)中找到模式的“深度學(xué)習(xí)”算法對這些聲音進(jìn)行解構(gòu)。

　　為了從無聲視頻片斷中預(yù)測一種新聲音，Vis會(huì)查看最可能與每個(gè)視頻畫面相關(guān)的音頻屬性，并把這些音頻串在一起編輯成連貫的聲音。Vis可以模擬快節(jié)奏和舒緩的微妙聲音，無論是斷斷續(xù)續(xù)拍打巖石的聲音，還是穿過常春藤時(shí)發(fā)出的細(xì)小沙沙聲。它既可以模擬擊打墊子發(fā)出的低沉砰砰聲，又可以模擬敲擊欄桿時(shí)發(fā)出的刺耳聲音。

　　為了測試這些聲音在人耳聽起來的逼真性，研究人員對400名觀眾進(jìn)行了調(diào)查。他們觀看了兩遍視頻，其中一遍聽的是真實(shí)聲音，另一遍聽的是Vis的模擬版。他們要說出哪一次是真實(shí)的聲音。

　　如果Vis生成的聲音與真實(shí)的聲音無法區(qū)分，Vis版被選擇的概率應(yīng)為50%。結(jié)果調(diào)查得出的概率為40%，這是一個(gè)相當(dāng)不錯(cuò)的分?jǐn)?shù)。

　　當(dāng)聲音清晰、尖銳時(shí)——比如敲木頭或金屬的聲音——該系統(tǒng)的表現(xiàn)最差，在生成由樹葉或泥土產(chǎn)生的較輕柔、持續(xù)時(shí)間較長的聲音時(shí)，Vis表現(xiàn)最好。有時(shí)，如果棍子剛好停在目標(biāo)物之前，它還會(huì)“幻想出”假的敲擊聲。

　　歐文斯的夢想是在沒有明確視覺線索的情況下讓Vis模擬聲音?！皬奈L(fēng)輕撫、到筆記本電腦的嗡嗡作響，任何時(shí)候環(huán)境中都存在著許多與我們正盯著看的東西無關(guān)的聲音，”他說。