#别的简报# 是 BIE 的日更简报，旨在介绍这个浮华世界中正在发生的各种有或者没有意义的事件，供你在茶余饭后 /上班摸鱼的这个时间里转移一下注意力，看看别人正在干什么。
今天是 2023 年 1 月 11 日，星期三。研究人员并没有提供试用的途径。

最近，微软研究人员宣布了一种名为 VALL-E 的新文本转语音的人工智能模型，给它一段三秒钟的音频样本，它就能模仿说话者的声音说任何话，而且还保留说话者的情感语调。

在 VALL-E 的示例网站上有几十个音频样本。“Speaker Prompt” 是提供给 VALL-E 的三秒钟的真人音频，“Ground Truth” 是样本本人读目标语段的录音，“Baseline”是用传统文本到语音合成方法创造的音频，这俩都是对照组，跟 VALL-E 生成的语音做对比。

除了保留说话人的声音音色和情绪语调，VALL-E 还可以模仿样本音频的声学环境。比如输入的录音是在打电话，输出的模仿音频也听起来像是在电话里一样。同时，VALL-E 可以通过改变生成过程中使用的随机种子来产生声调的变化。

但不像 ChatGPT，VALL-E 的研究人员并没有提供试用的途径，因为他们表示自己意识到了这项技术可能带来的潜在社会危害。他们写道：

“由于 VALL-E 可以合成保持说话者特征的语音，滥用有可能会带来风险，比如欺骗语音识别功能或冒充特定说话者。为了减轻这种风险，建立一个检测模型来判断一个音频片段是否由 VALL-E 合成是有可能的。不仅如此，在对模型接下来的开发中，我们将继续把微软对AI的原则付诸实践。”

但估计他们自己已经玩得很开心了。

// 编译：Arvin Hu

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

2024-01-28 18:01

2024-01-09 19:01

2024-01-07 18:01

2024-01-06 18:01

2024-01-06 18:01

2023-12-13 17:12

2023-12-02 07:12

2023-11-26 18:11