近年来，人工智能技术的发展早已让我们实在有些可怕，而如何避免AI这把双刃剑不被错误地用于，也引起了更加白热化的探究。比如2017年底喷出的DeepFakes视频换回脸技术，竟然许多名人遭遇了欺诈色情片的后遗症。现在，Facebook工程师们又建构出有了一个需要惟妙惟肖地仿效比尔·盖茨的语音AI。

事实上，盖茨只是MelNet可以仿效的多位人物中名气仅次于的，其他“被克隆”的还包括乔治·武井（GeorgeTakei）、珍·古德（JaneGoodall）、史蒂芬·霍金等人。在下列剪辑中，你可以听见一系列有害的句子，比如：游泳时扭伤不是闹着玩的（Acrampisnosmalldangeronaswim）某种程度的话他说道过三十遍（Hesaidthesamephrasethirtytimes）摘得没叶子的鲜亮玫瑰（Pluckthebrightrosewithoutleaves）2特7大于10（Twoplussevenislessthanten）上述每一段语音，都是由Facebook工程师设计创立的一个取名为MelNet的机器学习系统生成的。

那么，用来训练这套ML系统的数据，又是哪里来的呢？据报，MelNet分析了452小时的STEM－y类TED演说数据集，以及其它有声读物。似乎，对机器学习系统来说，仿效这些人物慷慨激昂的演说方式，显然是一个极大的挑战。近年来，语音克隆的质量仍然在急剧提高。

比如近期播出的JoeRogan复制品，就是一个极佳的证明。不过这一进展的大部分工作，可以追溯到2016年的SampleRNN和WaveNet。

后者是由坐落于伦敦的人工智能实验室DeepMind创立的机器学习（ML）文本并转语音（TTS）切换程序，该实验室同时为GoogleAssistant智能助理获取反对。WaveNet和SampleRNN之类的方案，就是为AU系统获取大量的数据，后用它来分析人生中的细微差别。

这些旧式TTS系统无法分解音频，但可以重构——将语音样本切割成各种音频元素，然后将之拼凑到一起，来创立新的单词。不过当WaveNet等团队利用音频波形展开训练时，Facebook的MelNet却配上了信息更为密集的格式——频谱图。在一篇附带的论文中，Facebook研究人员认为，虽然WaveNet输入的音频保真度更高，但MelNet在捕猎“高级结构”方面更胜一筹。

MelNet需要仿效演讲者声音中包括的某种错综复杂的一致性，失望的是我们无法用文字来叙述，但人耳听得一起显然更加难受。Facebook工程师称之为，这是因为频谱图中捕捉的数据，较音频波形中的数据更为灵活。

这种密度使得算法需要分解更为完全一致的语音，而不是波形记录中被极端集中和磨练出来的细节。当然，MelNet也有一些容许，最总要的是无法拷贝人声在较长一段时间内的变化，比如在文本段落上建构出来的戏剧性张力。

有意思的是，这类似于我们在AI分解的文本中看到的约束性，其不能构建表层、而非长年结构上的一致性。并不认为这些瑕疵不讲，MelNet早已充足证明其强劲的系统功能。

本文来源：PG电子·游戏官方网站-www.szydbw.com