要說這段時間哪家公司風(fēng)頭正盛，那非三只羊莫屬，隔三差五就要上一回新聞，還是法制欄目的那種。
這不前幾天，月餅門的事件還沒過去，又來了個錄音門。
事情是這樣的， 9 月 20 號的時候網(wǎng)上突然流傳出了一段，疑似三只羊高管盧某的錄音。
錄音里涉及到了多位三只羊的女主播，具體內(nèi)容咱在這就不多做討論了，但確實很炸裂。
錄音爆出來后，就在網(wǎng)上迅速引起了一波熱度。
有人說這段錄音純純是男的喝多了吹的牛逼，但討論的風(fēng)向很快又變成了這玩意兒，到底是不是 AI 生成的，甚至還釣出來不少所謂的 AI 行家，開始一頓分析。
結(jié)果沒兩天，警方的通報就出來了：都散散吧，是 AI 干的。
而這次事件的另外一位主角， Reecho 睿聲公司也終于浮出了水面，錘了自己的用戶一把。
有意思的是，即使是官方都出面了，但還是有網(wǎng)友覺得盧某是 “ 酒后吐真言 ” ，通報也不過是把鍋，甩給了沒法兒自證的 AI 。
但不管咋說，人官方調(diào)查通報都出來了，你信也好不信也罷，這事兒就這么定調(diào)了。
不過以我對 AI 語音的了解，像三只羊錄音門這種情況，的確是有可能的，主要是現(xiàn)階段的 AI 語音技術(shù)，確實已經(jīng)挺成熟的了。
因為我們只需要上傳一兩句話，剩下的直接甩給 AI 就行，分分鐘就能克隆一個人的音色。
這么說吧，現(xiàn)在 AI 語音合成里比較常見、開源項目也比較多的，就數(shù) TTS 、 SVC&RVC 兩大類技術(shù)。
所謂 TTS ，簡單來說就是 Text To Speech ，把文本轉(zhuǎn)化成語音。
像很多 AI 數(shù)字人、有聲書、視頻配音，大伙兒刷抖音經(jīng)常聽到的 “ 注意看，這個男人叫小帥 ” ，還有剪映素材庫里那些 TVB 女聲、廣西表哥，基本都是 TTS 干的。
像這次三只羊錄音門牽扯到的 Reecho 睿聲，也是一個 TTS 模型的生成網(wǎng)站。
上來先用《 意大利面拌 42 號混凝土 》的 “ 名篇節(jié)選 ” 整一波，你別說，你還真別說。
音色的復(fù)刻程度能有個 80%-90% ，而且說話的語氣也賊像，不仔細(xì)聽還以為在做什么正經(jīng)科普。
我們本來還想借著 AI 差評君給大伙兒送一波福利，但沒想到這個 AI 小小翻車了一下， 10 臺 iPhone 16 說成了 “ 一零臺 iPhone sixteen” 。
穿幫的實在是太明顯了，這福利想送都送不出去呀，可惜可惜。
借 AI 的口，你甚至還能聽到管廣大網(wǎng)友們借錢。就連國慶節(jié)自愿加班 7 天，還不要加班費這種話，從這位 “AI ” 的嘴里說出來，你也能聽出心甘情愿的味道。
除此之外，人家那個聲音市場里還可以自己選訓(xùn)練好的聲音 AI ，不僅有我們的好朋友影視颶風(fēng) Tim ，甚至還有主播電棍，坤哥和派蒙，就連五星評論家麥克阿瑟也能拿來用。
有一說一，這種程度的克隆已經(jīng)相當(dāng)逼真了，所以現(xiàn)在回頭看三只羊錄音門，好像 AI 參與的可信度又高了一點。
有些朋友可能還覺得，那這個 AI 怎么就能把那種醉意、含糊不清的話都模擬出來呢？
這就得說到 SVC&RVC 了。
這里面 SVC （ Singing Voice Conversion ）是用來唱歌的，而 RVC （ Retrieval-based-Voice-Conversion ）的場景多用在直播，這倆都是實時把語音轉(zhuǎn)換成 AI 訓(xùn)練的音色，俗稱變聲器。
由于輸入的是音頻，所以它就能把一個人的聲音轉(zhuǎn)化的更真實，甚至連語氣、聲調(diào)這些東西都可以轉(zhuǎn)化得很自然。如果是歌聲轉(zhuǎn)換，甚至還能模仿音色和唱腔。
像 GitHub 上有個叫 So-Vits-SVC 的開源項目，就一手打造了AI 孫燕姿、唱《 淚橋 》比原唱伍佰還好聽的陶喆。
類似的開源項目還有很多，而且都很好上手。舉個例子， b 站的大佬 “ 花兒不哭 ” 今年就上線了一個開源模型 GPT-SoVITs ，下載好直接拿語音喂就行了。
你要懶的自己訓(xùn)練，那還可以在魔搭社區(qū)用 “xz 喬希 ” 的項目直接開玩；甚至剪映和必剪這些剪輯軟件里都已經(jīng)用上了自家的 AI 語音，除了那些營銷號語音你也可以生成自己的。
乃至于隨便找個工具集合網(wǎng)站一搜，多得是可以直接上手用的產(chǎn)品。
我們之前用 “ 花兒不哭 ” 開源的 RVC 實時變聲算法，也做過一個差評君變聲器。
甚至還專門做了一個非常差評的初始界面。
而且當(dāng)時我們還專門給變聲器做了個硬件外掛，現(xiàn)在還擱辦公室里呢。
人在這邊對著麥說話，音響那邊實時就能把聲音變成蛋蛋的。
看起來挺牛逼是吧，不過這玩意也不是突然就這么先進(jìn)了。
主要語音生成這一塊確實低調(diào)，你就說這幾年這些 AI 的宣傳，一個個都好像是奔著炸裂全宇宙去的。三天兩頭畫大餅，誰還惦記語音生成是怎么個情況。
關(guān)注的人少，再加上技術(shù)積累也多，那可不就是悶聲發(fā)大財嘛。只不過現(xiàn)在突然出圈了，大家才感覺到驚奇。
說到底還是 AI 時代這些東西的門檻都降低了，你想 cos 哪個人的聲線都相當(dāng)方便。
不過實話，技術(shù)進(jìn)步是一回事兒，但就事論事地說，用這玩意兒來違法犯罪的案例，并不在少數(shù)。
也不是咱制造啥恐慌，新華網(wǎng)去年九月就報道過了相關(guān)的詐騙手段，你想想家里年紀(jì)大的老人，要是接到跟你說話聲音一模一樣的詐騙電話，說你遇到了危險，會不會把棺材本都給騙子騙走？
不止國內(nèi)，這事在國外照樣有，就連美國知名密碼管理工具公司 LastPass 的 CEO ，都被偽造聲音拿去詐騙了。
盡管現(xiàn)在已經(jīng)有不少機構(gòu)在琢磨怎么處理安全問題，探索怎么識別偽造語音等證據(jù)，比如有研究表明，目前可以通過算法聲紋認(rèn)證和語音取證等辦法，對 AI 合成語音進(jìn)行鑒別。
但這些更多還是在找 AI 語音上的 bug 來鑒定的，就好像數(shù)手指和穿模來鑒定 AI 圖片一樣，只要模型一升級，這些辦法可能就也沒轍了。
不過，要從根本上解決問題，就還得從生成式模型本身出發(fā)。
給 AI 生成的圖片、音視頻也打上類似水印的標(biāo)記，同時設(shè)備和軟件也能夠檢索到這些標(biāo)簽，提醒大家這些內(nèi)容并非真實。
像是谷歌就已經(jīng)開始研究在 AI 生成的音頻聲譜上，添加能被視覺化的特定標(biāo)記，這樣既不會影響用戶聽感也方便識別。
總的來說，在生成式 AI 的影響下，以后眼見不一定為實，耳聽也可能為虛。歸根結(jié)底技術(shù)在發(fā)展的同時，防范技術(shù)濫用的對策也必須做好。
別光想著說 “ 技術(shù)無罪 ” ，上個這么喊的人已經(jīng)蹲了好多年，現(xiàn)在都出來了。
不過對三只羊來說，雖然始作俑者已經(jīng)被抓，但這人靠 AI 推在他們身上這把勁，估計影響還會持續(xù)挺久，至于后續(xù)怎么發(fā)展，我們還是再等等看吧。
本文鏈接：http://www.zh1234.com/news13950.html三只羊“財色錄音”是假的！但背后技術(shù)是真的恐怖
