文本输入和一个 15 秒的音频样本就能生成与原始说话者非常相似的自然声音。
今天，OpenAI 在语音领域又带给我们一点点震撼，通过文本输入以及一段 15 秒的音频示例，可以生成既自然又与原声极为接近的语音。值得注意的是，即使是小模型，只需一个 15 秒的样本，也能创造出富有情感且逼真的声音。OpenAI 将这个语音引擎命名为 Voice Engine，首次开发时间是 2022 年末，今天是 Voice Engine 预览版的首次亮相。
下面为该语音引擎的一些早期示例，例如可以帮助用户翻译视频和播客等内容，输入一段原始音频：Voice Engine 为有语言障碍的人合成相似的声音，使得用户在每种口语中保持声音一致：又比如，帮助患有突发性或退化性言语病症的患者说话。令人惊讶的是，Voice Engine 并未根据用户数据进行训练或微调，而是通过一个扩散过程和 transformer 结合的方式 —— 从而产生语音。OpenAI 产品员 Jeff Harris 表示，他们采用少量音频样本和文本，生成与原始说话者相匹配的真实语音。请求完成后，所使用的音频将被删除。其实，在语音生成领域，有很多我们熟悉的公司，从 ElevenLabs 到 Replica Studios 再到 Papercup ，亚马逊、谷歌和微软等大型科技公司也早已布局。Harris 声称，采用 OpenAI 的方法，可以得到更好的语音质量。在定价方面，尽管 OpenAI 在今天发布的营销材料中删除了 Voice Engine 的定价信息，但根据新闻网站 TechCrunch 消息，Voice Engine 的定价为每一百万字符 15 美元，这样的定价可以覆盖狄更斯的《雾都孤儿》，还略有余地，相当于 18 小时的音频，使得价格略低于每小时 1 美元。这个价格确实比 ElevenLabs 的收费便宜一些 —— 每月 100,000 字符收费 11 美元。不过，Voice Engine 目前不支持音调、音高或节奏的调整。如果 OpenAI 的音频工具流行起来，那么，配音员们又将何去何从呢？要知道，ZipRecruiter 上的配音员工资从每小时 12 美元到 79 美元不等 —— 比 Voice Engine 贵很多，即使是低端的配音员，价格也不便宜。最后又回到大家关心的安全与隐私，OpenAI 也早早考虑了这些问题，他们明确禁止未经授权来模仿任何个人或组织。与此同时，他们也开发了一系列安全措施，包括对 Voice Engine 生成的音频加水印，主动监控使用情况等。参考链接：
https://openai.com/blog/navigating-the-challenges-and-opportunities-of-synthetic-voices
https://techcrunch.com/2024/03/29/openai-custom-voice-engine-preview/
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]
