试了爆火全网的语音AI，我快分不清谁是真人了。。。
咳咳，在开始讲之前，先跟差友们宣布个事儿：
这自然的语气，隐约还能听到些换气声，是不是已经有差友快上钩了。
但大伙可别真以为世超要暴露真声，其实这段音频，是我用 AI 做出来的，从打开网址到做好整段音频，统共用了都没两分钟。
可能已经有朋友猜到世超用的是啥 AI 工具，就是最近刚火出圈的那位，ChatTTS 。
刚开源没几天，它的 GitHub 就有一万多颗标星，而且还在继续噌噌猛涨，就在世超在写稿的时候，亲眼看到它突破 2 万大关。。。
网上的热度也贼高，光是 b 站，随便一搜 ChatTTS ，就能弹出一大堆视频来，不是在教大伙怎么安装，就是在夸它有多逼真。
甚至连热度都传到国外了。
其实像 ChatTTS 这类文本转语音（ Text to Speech ）的工具，市面上一抓一大把，各家做 AI 应用的企业，基本上都有文本转语音的功能。
但和它们不一样的是， ChatTTS 主打的是，最自然地还原人声。
它网页版上的参数调节按钮，有一大半都是为了让生成的音频，更像咱们真人说话。
就比如，精调文本按钮打开之后，最后生成的音频里，会自动加一些口语化的连词，或者换气、笑声啥的，还有信噪比，就是为了还原说话时的背景音。
世超随便输了段话给 ChatTTS ，没动它的默认设置，生成的效果的是下面这个样子。
乍一听，还以为是办公室哪位同事遛火锅回来的吐槽。看下输出的文本，它是在最后一句的中间和结尾，自动加了两个气口。
不过要多听几遍，还是能在里面找到些 AI 味儿。
如果嫌生成的效果一般，我们也可以自个儿去手动设置，在输入文本里加 [ uv _ break ] 或者 [ laugh ] ，就能直接控制气口和笑声。
还是上面那句话，世超直接在结尾加上个 [ laugh ] ，整句话都会更自然一点，结尾那个笑声，还能咂摸出一点无奈的味儿。
要是给咱们没练过的人来，指不定得口胡几次，没想到 ChatTTS ，模仿这个挺有一手。
讲到后面，它是直接一口气说完的，跟咱快忘词儿的语调相比，不能说十分像吧，起码也有个七八分了。
甚至为了让最后那句 “ 你看我说的还行吧 ” 更自然点，它还自己手动加了个词儿（ 那个 ）。
除了会说中文外， ChatTTS 也能整上两句英文。
世超输句肖申克的经典台词 “ Hope is a good thing and maybe the best of things.And no good thing ever dies.” 进去，它能顺溜生成语音。
至于效果嘛，世超觉得，没说中文自然。。。
当然，作为在咱们这儿土生土长的 AI ，说中文比说英文自然也情有可原。
不过让世超意外的是，虽然英语一般，但在学 ABC 中英夹杂， ChatTTS 是真有点天赋。
世超随便在台词里加了一些网上很火的英文梗，它直接把里面的精髓给模仿出来了。
仅能准确切换中英文，口气啥的也都像模像样，而且该补充的连词也都补充了。硬要挑刺的话，就是最后那句有点卡壳，但平时咱说话，谁没有秃噜嘴的时候。
试到这儿，世超已经稍稍被 ChatTTS 给折服了。。。然鹅，就在咱准备再深度探索探索时，它一连给咱来了好几次大翻车。
就比如我想试试不精调文本，看看 ChatTTS 会生成怎样的音频，结果倒好，它直接罢工，输入的一大段话，它只读第一个字。
试了好几次都是这效果。。。
（ 因为输出的问题，iOS系统可能会打不开这段音频。）
而且如果整段文字里有阿拉伯数字， ChatTTS 也识别不了，得我们手动切换成中文数字。
更离谱的是，只要字数一多起来，它就开始浑水摸鱼，支支吾吾只从大段文字里挑着念，甚至有时候都能把它们的 GPU 给干宕机了。
像是世超想让 ChatTTS 帮差友们读下这篇文章的开头，它就已经撑不住了。。。
这都还不算啥， ChatTTS 有个最大的缺点，就是咱们不能事先知道选择了啥音色，只能在 “ 音频种子 ” 里输入数字盲选，或者掷骰子抽卡。
合着就是碰运气呗。。。
不过关于这些 “ BUG ” ，研究团队也有它们的说辞。一句话概括就是，为了防止 ChatTTS 被有心之人利用，他们没放出最好的模型。
据他们的说法，目前开源的和网站上用的，都是用4 万个小时数据训练出来的模型，还没经过监督微调（ SFT ）。
并且为了防止 AI 诈骗，他们还在这些训练数据里，加了少量的高频噪声，数据用的也都是音频质量不太高的 MP3 格式。
团队手里呢，其实还有个更大杯、性能更好的模型，用10 万小时数据。
ChatTTS 真实的实力，应该是官方视频里展示的那样。像咱们上面展示的那几个例子，它都能做得更好，比如中英文夹杂的句子，视频的示例比咱试的要丝滑得多，而且整个人声的清晰度，也比世超在线生成的强。
按照设想，它之后还能接入语言大模型，能直接和 AI 来个面对面交谈。
甚至光是凭几分钟的音频，它能直接把乔布斯、泰勒 · 斯威夫特的声音给克隆出来。
之后再进化进化，结合 ChatGPT 和对口型的 AI ，让它帮忙直播带货估计都没人能看得出来了。
当然有好处是一方面，但世超想说的是，说到底这 AI 还是模仿人说话的，要是被有心之人给利用了，带来的后果可不是一点好处就能抵消的。
像去年，就发生了好几起关于 AI 诈骗的案例，被骗好几百万的都有。而现在 AI 音频越来越逼真，等于说诈骗的门槛是越来越低了。
还有版权风险，也算是这类音频 AI 的一堵墙。前段时间，寡姐还因为声音版权的问题，公开撕了 OpenAI ，以 OpenAI 下架相关音色告终。
甚至在今年早些时候，美国田纳西州还立了个法，不让用 AI 模仿人声。
总之，在音频 AI 这块儿，还有很多窟窿要被补上。。。
但说句心里话，世超还真挺希望这模仿人说话的 AI 能尽快落地的，要能接到公众号上就更好了。
毕竟这 “ 听一听 ” 功能里的机械音，听着是真叫人难受。。。
文章来源于“差评”，作者“世超”
全部评论
留言在赶来的路上...
发表评论