作者：小巖

編輯：彩云

許久沒有新動(dòng)作的OpenAI最近顯得頗為低調(diào)。但事實(shí)上，對(duì)于這些卷的不能再卷的AI頭部公司而言，沒有人是敢躺平的。大家不是在發(fā)布新品，就是在研發(fā)新品的路上。

3月30日，OpenAI宣布推出全新的人工智能模型——Voice Engine。這并非是一個(gè)全新的模型，事實(shí)上，自2022年開始，OpenAI便默默布局，開展了對(duì)于該模型的研發(fā)工作。

工作原理簡(jiǎn)單而高效！能夠駕馭合成聲音所帶來的挑戰(zhàn)和機(jī)遇。

對(duì)于這款最新發(fā)布的模型，OpenAI官方推特的措辭異常小心而謹(jǐn)慎，它表示，“我們正在分享從 Voice Engine模型的小規(guī)模預(yù)覽中獲得的經(jīng)驗(yàn)體會(huì)”。事實(shí)上，Voice Eengine所呈現(xiàn)出來的工作效率的確是簡(jiǎn)單而高效的。

Voive Engine最大的特點(diǎn)在于語音克隆。其中的工作原理很簡(jiǎn)單：用戶僅需通過電話或電腦麥克風(fēng)錄制一段15秒的聲音片段，OpenAI的語音引擎便能生成“與其聲音高度相似的自然語音”。在此之后，無論是面對(duì)什么樣的文本，它都能以近乎完美的克隆聲音進(jìn)行朗讀。

這項(xiàng)技術(shù)的問世，顯然會(huì)對(duì)那些經(jīng)常錄制自己語音的人，諸如播客，配音藝術(shù)家，口語表演者，有聲書和廣告解說員，游戲玩家，流媒體主播，客戶服務(wù)代理，銷售人員等眾多職業(yè)產(chǎn)生重大影響。

除此之外，OpenAI還特別強(qiáng)調(diào)了語音引擎在支持非語言個(gè)體方面的獨(dú)特能力。它能為這些個(gè)體提供個(gè)性化的，非機(jī)械化的聲音，為那些有語言障礙或?qū)W習(xí)需求的人提供治療和教育方面的幫助。

一旦技術(shù)得以成行，Voice Engine不僅能實(shí)現(xiàn)更真實(shí)的人聲復(fù)刻，更重要的是，它還能適用于各種場(chǎng)景的應(yīng)用，諸如為孩童朗讀故事，企業(yè)產(chǎn)品介紹，醫(yī)療咨詢服務(wù)，為語言障礙者提供幫助等。它不僅支持多種語言，更能模仿出不同的語調(diào)和情感，應(yīng)用不可謂不廣泛。

Voice Engine由來已久，相關(guān)應(yīng)用早已有之。

正如我們前文所提到的那樣，早在 2022 年底，OpenAI 便開發(fā)了 Voice Engine 并將其用于支持文本到語音 API 中的預(yù)設(shè)語音以及 ChatGPT 語音和朗讀。所以，在展望Voice Engine未來可能產(chǎn)生的廣泛應(yīng)用場(chǎng)景之前，我們不妨看看它曾經(jīng)有過哪些實(shí)用案例。

首先，Voice Engine可以通過自然，富有感情的聲音為非閱讀者和兒童提供閱讀幫助。這些聲音不是呆板的預(yù)設(shè)聲音，它代表了更廣泛的說話者。譬如一家名為Age of Learning 的教育技術(shù)公司就一直在使用 Voice Engine 生成預(yù)設(shè)的畫外音（voice-over）內(nèi)容。他們還利用 Voice Engine 和 GPT-4 創(chuàng)建實(shí)時(shí)且個(gè)性化的回應(yīng)，從而與學(xué)生進(jìn)行互動(dòng)。

其次，Voice Engine可以翻譯視頻和播客等方面的內(nèi)容。通過使用Voice Engine，創(chuàng)作者和企業(yè)可以用自己的聲音流利地向世界各地更多的人進(jìn)行傳播。據(jù)悉，HeyGen便是這方面的早期應(yīng)用者之一。HeyGen是一個(gè)人工智能視覺故事平臺(tái)，通過使用 Voice Engine 進(jìn)行視頻翻譯，將演講者的聲音翻譯成多種語言，從而覆蓋全球受眾。值得一提的是，即便是翻譯，Voice Engine也會(huì)保留原說話者的母語口音，譬如帶有法語口音的英語等。

此外，Voice Engine可以為不會(huì)說話的人群提供支持：為患有影響語言的疾病的人群提供治療應(yīng)用；為有學(xué)習(xí)需求的人群提供教育增強(qiáng)功能等。譬如它能夠?yàn)椴粫?huì)說話的人群提供多種語言的獨(dú)特非機(jī)器人語音。用戶可以選擇最能代表自己的語音，對(duì)于多語種用戶，它也能使每種口語都保持一致的語音。

擔(dān)心合成技術(shù)可能會(huì)被濫用，暫時(shí)沒有完全公開的計(jì)劃。

盡管語音生成式AI被認(rèn)為是OpenAI的又一次巨大突破，但很顯然，官方并不急于向外界完全公開Voice Engine。究其原因，主要是因?yàn)楹铣烧Z音技術(shù)具有巨大的風(fēng)險(xiǎn)，很可能會(huì)被濫用。特別是最近一段時(shí)期，由合成語音引發(fā)的電信詐騙，版權(quán)侵害等社會(huì)風(fēng)險(xiǎn)問題層出不窮，這些都是OpenAI做出“暫不公開”選擇的重要原因。OpenAI也表示，在開發(fā)的過程中，一直在與政府，媒體，教育等社會(huì)各界的美國(guó)和國(guó)際合作伙伴接觸，保證聽取和采納反饋。特別當(dāng)下這處于美國(guó)大選時(shí)期，OpenAI又正與政府和外部企業(yè)合作，勢(shì)必會(huì)采取必要的安全措施和謹(jǐn)慎的態(tài)度。

無獨(dú)有偶，OpenAI于2月推出了視頻生成AI“Sora”也同樣未對(duì)外界公開。面對(duì)生成式AI技術(shù)日益普及所引發(fā)的濫用風(fēng)險(xiǎn)，OpenAI對(duì)商用化明顯采取了較審慎的態(tài)度，以確保安全和負(fù)責(zé)任的使用。

當(dāng)然，我們無法否認(rèn)，生成式AI的潛力是無窮的，終究要有落地應(yīng)用的一天。相較于始終保持“審慎開放”，乃至“拒絕開放”的態(tài)度，我們莫不如提前做好評(píng)估和防范。譬如要逐步淘汰基于語音的身份驗(yàn)證作為訪問銀行賬戶和其他敏感信息的安全措施；教育公眾了解AI技術(shù)的能力和局限性,包括存在欺騙性AI內(nèi)容的可能性；加快開發(fā)和采用追蹤視聽內(nèi)容來源的技術(shù),以便隨時(shí)明確您是與真人還是與AI互動(dòng)等舉措，都是勢(shì)在必行的。無論OpenAI是否會(huì)廣泛部署這項(xiàng)技術(shù)，我們大家都要了解它的發(fā)展方向。

最后，我們?cè)賮碛懻撘粋�(gè)問題：在生成式AI領(lǐng)域，OpenAI是否依舊領(lǐng)跑？

從2022年便孵化出了Voice Engine這一點(diǎn)來看，OpenAI是早就開始布局合成語音這一賽道了。從某種程度上說，現(xiàn)在分享的最早期版本很可能只是在小秀肌肉，內(nèi)部應(yīng)該已經(jīng)完成了強(qiáng)力迭代。而且，根據(jù)The Information的獨(dú)家報(bào)道，微軟和OpenAI將合力打造一臺(tái)成本高達(dá)1000億美元，擁有數(shù)百萬個(gè)GPU的超級(jí)計(jì)算機(jī)“Stargate （星門）”。它將為OpenAI的人工智能提供巨大的動(dòng)力和算力會(huì)，不夸張的說，照比現(xiàn)在微軟給OpenAI的支持直接提升幾個(gè)量級(jí)。

此外，從OpenAI通篇官宣文來看，OpenAI不會(huì)在短期內(nèi)向公眾推出合成語音領(lǐng)域的更新了，畢竟這個(gè)賽道日趨敏感。這或許是出于重塑企業(yè)形象和公信力的需要。未來我們或許可以期待OpenAI將Sora和Voice Engine以怎樣的模式集成到下一代 GPT。一旦這樣的GPT得以成行，OpenAI在生成式領(lǐng)域的霸主地位將不可動(dòng)搖。

       原文標(biāo)題 : 新火種AI|OpenAI再發(fā)大招推出Voice Engine！讓失語者發(fā)聲只需要15秒音頻...