原创 差评君 2024-09-29 00:00 浙江
别光想着说 “ 技术无罪 ” ，上个这么喊的人已经蹲了好多年，现在都出来了。
要说这段时间哪家公司风头正盛，那非三只羊莫属，隔三差五就要上一回新闻，还是法制栏目的那种。
这不前几天，月饼门的事件还没过去，又来了个录音门。
事情是这样的， 9 月 20 号的时候网上突然流传出了一段，疑似三只羊高管卢某的录音。
录音里涉及到了多位三只羊的女主播，具体内容咱在这就不多做讨论了，但确实很炸裂。。。
录音爆出来后，就在网上迅速引起了一波热度。有人说这段录音纯纯是男的喝多了吹的牛逼，但讨论的风向很快又变成了这玩意儿，到底是不是 AI 生成的，甚至还钓出来不少所谓的 AI 行家，开始一顿分析。
结果没两天，警方的通报就出来了：都散散吧，是 AI 干的。
而这次事件的另外一位主角， Reecho 睿声公司也终于浮出了水面，锤了自己的用户一把。
有意思的是，即使是官方都出面了，但还是有网友觉得卢某是 “ 酒后吐真言 ” ，通报也不过是把锅，甩给了没法儿自证的 AI 。
但不管咋说，人官方调查通报都出来了，你信也好不信也罢，这事儿就这么定调了。
不过以差评君对 AI 语音的了解，像三只羊录音门这种情况，的确是有可能的。主要是现阶段的 AI 语音技术，确实已经挺成熟的了。
因为我们只需要上传一两句话，剩下的直接甩给 AI 就行，分分钟就能克隆一个人的音色。
这么说吧，现在 AI 语音合成里比较常见、开源项目也比较多的，就数 TTS 、 SVC&RVC 两大类技术。
所谓 TTS ，简单来说就是 Text To Speech ，把文本转化成语音。像很多 AI 数字人、有声书、视频配音，大伙儿刷抖音经常听到的 “ 注意看，这个男人叫小帅 ” ，还有剪映素材库里那些 TVB 女声、广西表哥。。。基本都是 TTS 干的。
像这次三只羊录音门牵扯到的 Reecho 睿声，也是一个 TTS 模型的生成网站。咱们其实也在他们网站上，克隆过差评君的声优蛋蛋的声音，大伙儿可以听听看到底像不像。
上来先用《 意大利面拌 42 号混凝土 》的 “ 名篇节选 ” 整一波，你别说，你还真别说。音色的复刻程度能有个 80%-90% ，而且说话的语气也贼像，不仔细听还以为在做什么正经科普。
我们本来还想借着 AI 差评君给大伙儿送一波福利，但没想到这个 AI 小小翻车了一下， 10 台 iPhone 16 说成了 “ 一零台 iPhone sixteen” 。。。穿帮的实在是太明显了，这福利想送都送不出去呀，可惜可惜。
借 AI 的口，你甚至还能听到差评君管广大差友们借钱。就连国庆节自愿加班 7 天，还不要加班费这种话，从这位 “AI 差评君 ” 的嘴里说出来，你也能听出心甘情愿的味道。
除此之外，人家那个声音市场里还可以自己选训练好的声音 AI ，不仅有我们的好朋友影视飓风 Tim ，甚至还有主播电棍，坤哥和派蒙，就连五星评论家麦克阿瑟也能拿来用。
来自差评X.PIN音频：影视飓风Tim
有一说一，这种程度的克隆已经相当逼真了，所以现在回头看三只羊录音门，好像 AI 参与的可信度又高了一点。而有些朋友可能还觉得，那这个 AI 怎么就能把那种醉意、含糊不清的话都模拟出来呢？
这就得说到 SVC&RVC 了。这里面 SVC （ Singing Voice Conversion ）是用来唱歌的，而 RVC （ Retrieval-based-Voice-Conversion ）的场景多用在直播，这俩都是实时把语音转换成 AI 训练的音色，俗称变声器。
由于输入的是音频，所以它就能把一个人的声音转化的更真实，甚至连语气、声调这些东西都可以转化得很自然。如果是歌声转换，甚至还能模仿音色和唱腔。
像 GitHub 上有个叫 So-Vits-SVC 的开源项目，就一手打造了AI 孙燕姿、唱《 泪桥 》比原唱伍佰还好听的陶喆。
类似的开源项目还有很多，而且都很好上手。举个例子， b 站的大佬 “ 花儿不哭 ” 今年就上线了一个开源模型 GPT-SoVITs ，下载好直接拿语音喂就行了。
你要懒的自己训练，那还可以在魔搭社区用 “xz 乔希 ” 的项目直接开玩；甚至剪映和必剪这些剪辑软件里都已经用上了自家的 AI 语音，除了那些营销号语音你也可以生成自己的。
乃至于随便找个工具集合网站一搜，多得是可以直接上手用的产品。
我们之前用 “ 花儿不哭 ” 开源的 RVC 实时变声算法，也做过一个差评君变声器。
甚至还专门做了一个非常差评的初始界面。
至于效果大伙儿自个儿品吧，我打包票，这绝对不是隔壁差评君的声优蛋蛋录的。
来自差评X.PIN音频：AI差评君
而且当时我们还专门给变声器做了个硬件外挂，现在还搁办公室里呢。
人在这边对着麦说话，音响那边实时就能把声音变成蛋蛋的。
看起来挺牛逼是吧，不过这玩意也不是突然就这么先进了。
主要语音生成这一块确实低调，你就说这几年这些 AI 的宣传，一个个都好像是奔着炸裂全宇宙去的。三天两头画大饼，谁还惦记语音生成是怎么个情况。
关注的人少，再加上技术积累也多，那可不就是闷声发大财嘛。只不过现在突然出圈了，大家才感觉到惊奇。
说到底还是 AI 时代这些东西的门槛都降低了，你想 cos 哪个人的声线都相当方便。
不过实话，技术进步是一回事儿，但就事论事地说，用这玩意儿来违法犯罪的案例，并不在少数。
也不是咱制造啥恐慌，新华网去年九月就报道过了相关的诈骗手段，你想想家里年纪大的老人，要是接到跟你说话声音一模一样的诈骗电话，说你遇到了危险，会不会把棺材本都给骗子骗走？
不止国内，这事在国外照样有，就连美国知名密码管理工具公司 LastPass 的 CEO ，都被伪造声音拿去诈骗了。
尽管现在已经有不少机构在琢磨怎么处理安全问题，探索怎么识别伪造语音等证据，比如有研究表明，目前可以通过算法声纹认证和语音取证等办法，对 AI 合成语音进行鉴别。
但这些更多还是在找 AI 语音上的 bug 来鉴定的，就好像数手指和穿模来鉴定 AI 图片一样，只要模型一升级，这些办法可能就也没辙了。
不过差评君觉得，要从根本上解决问题，就还得从生成式模型本身出发。
给 AI 生成的图片、音视频也打上类似水印的标记，同时设备和软件也能够检索到这些标签，提醒大家这些内容并非真实。
像是谷歌就已经开始研究在 AI 生成的音频声谱上，添加能被视觉化的特定标记，这样既不会影响用户听感也方便识别。
总的来说，在生成式 AI 的影响下，以后眼见不一定为实，耳听也可能为虚。归根结底技术在发展的同时，防范技术滥用的对策也必须做好。
别光想着说 “ 技术无罪 ” ，上个这么喊的人已经蹲了好多年，现在都出来了。
不过对三只羊来说，虽然始作俑者已经被抓，但这人靠 AI 推在他们身上这把劲，估计影响还会持续挺久，至于后续怎么发展，我们还是再等等看吧。
撰文：西西 & 纳西
编辑：江江 & 面线
美编：萱萱
图片、资料来源：
安全内参：生成式伪造语音安全问题与解决方案
腾讯云：CNN卷积神经网络原理详解
PassingAI：卷积神经网络在音频处理中的应用有哪些？
云技术和洞察：AIGC音频处理
魔搭社区：so-vits-svc
Reecho睿声、新华网，微博、bilibili、部分图源网络
