近日, 臉書(shū)的研究人員成功克隆了微軟總裁比爾·蓋茨的聲音。

臉書(shū)人工智能研究中心的肖恩·瓦斯奎茲（Sean Vasquez）和邁克·劉易斯（Mike Lewis）于本周表示，他們已經(jīng)努力模仿人類(lèi)語(yǔ)言有一段時(shí)間了。然而，模仿人類(lèi)語(yǔ)言顯然是件難事，當(dāng)人們聽(tīng)到斯蒂芬·霍金所使用的那套最著名的說(shuō)話機(jī)器發(fā)聲時(shí)，會(huì)發(fā)現(xiàn)它聽(tīng)起來(lái)仍然很不像人類(lèi)。

但是現(xiàn)在，研究員們似乎已經(jīng)取得了進(jìn)展。如果你聽(tīng)了蓋茨的克隆所發(fā)出的聲音，我想你是會(huì)同意的。因?yàn)樗?tīng)起來(lái)很像比爾·蓋茨，你甚至很難分辨出它和他真實(shí)聲音的區(qū)別。

研究人員展示了他們的研究。在這里，機(jī)器模仿著蓋茨的腔調(diào)發(fā)聲，“請(qǐng)給你珍愛(ài)的朋友發(fā)一封充滿愛(ài)意的短信。”其中最不可思議的是，這臺(tái)機(jī)器在說(shuō)“珍愛(ài)（cherish）”時(shí)，準(zhǔn)確無(wú)誤地捕捉到蓋茨不斷上升的語(yǔ)調(diào)變化的。

這項(xiàng)技術(shù)被稱(chēng)為MelNet，可以用來(lái)復(fù)制人類(lèi)的語(yǔ)調(diào)。到目前為止，蓋茨和其他許多人的聲音都被它完美地再現(xiàn)了。瓦斯奎茲和劉易斯說(shuō)，克隆的音頻取自各類(lèi)Ted演講。

兩位研究人員還表示，直到最近，文本到語(yǔ)音轉(zhuǎn)換軟件還不能很好地工作的原因是它使用了波形圖記錄聲音。這些圖顯示了聲音在幾秒鐘內(nèi)的音階變化。如果你聽(tīng)到過(guò)蓋茨說(shuō)“珍愛(ài)”這個(gè)詞，就知道他的語(yǔ)氣是變化劇烈的。在試圖模仿一個(gè)人的時(shí)候，深度學(xué)習(xí)機(jī)器必須預(yù)測(cè)到所有這些細(xì)微的變化，這很不容易。

瓦斯奎茲和劉易斯說(shuō)，他們通過(guò)使用一種叫做光譜圖的東西來(lái)訓(xùn)練機(jī)器，成功地克隆了聲音。

研究人員說(shuō):“光譜圖的時(shí)間軸比波形圖的時(shí)間軸緊湊幾個(gè)數(shù)量級(jí)，這意味著在波形中跨越數(shù)萬(wàn)個(gè)時(shí)間步長(zhǎng)的依賴(lài)關(guān)系在光譜圖中只跨越數(shù)百個(gè)時(shí)間步長(zhǎng)。這使得我們的光譜圖模型能夠在數(shù)秒內(nèi)記錄各種語(yǔ)音和音樂(lè)樣本，并保持它們一致性。”

不過(guò)，他們也經(jīng)歷了一些挫折。研究小組表示，對(duì)他們來(lái)說(shuō)，幾乎完美地復(fù)制一個(gè)句子并不難，難的是復(fù)制那些在長(zhǎng)達(dá)幾十秒或幾分鐘的時(shí)間里，顯示了情緒變化的復(fù)雜語(yǔ)調(diào)”。盡管如此，當(dāng)涉及到人機(jī)交互時(shí)，研究小組說(shuō)，在只涉及簡(jiǎn)短對(duì)話的情境中，這項(xiàng)技術(shù)可能會(huì)帶來(lái)革命性的變化。