作者：小巖

編輯：彩云

許久沒有新動作的OpenAI最近顯得頗為低調(diào)。但事實上，對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。這并非是一個全新的模型，事實上，自2022年開始，OpenAI便默默布局，開展了對于該模型的研發(fā)工作。

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

對于這款最新發(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)驗體會”。事實上，Voice Eengine所呈現(xiàn)出來的工作效率的確是簡單而高效的。

Voive Engine最大的特點在于語音克隆。其中的工作原理很簡單：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。

這項技術(shù)的問世，顯然會對那些經(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體方面的獨特能力。它能為這些個體提供個性化的，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不僅能實現(xiàn)更真實的人聲復(fù)刻，更重要的是，它還能適用于各種場景的應(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)用場景之前，我們不妨看看它曾經(jīng)有過哪些實用案例。

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)建實時且個性化的回應(yīng)，從而與學(xué)生進(jìn)行互動。

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是一個人工智能視覺故事平臺，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。譬如它能夠為不會說話的人群提供多種語言的獨特非機(jī)器人語音。用戶可以選擇最能代表自己的語音，對于多語種用戶，它也能使每種口語都保持一致的語音。

擔(dān)心合成技術(shù)可能會被濫用，暫時沒有完全公開的計劃。

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，主要是因為合成語音技術(shù)具有巨大的風(fēng)險，很可能會被濫用。特別是最近一段時期，由合成語音引發(fā)的電信詐騙，版權(quán)侵害等社會風(fēng)險問題層出不窮，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，教育等社會各界的美國和國際合作伙伴接觸，保證聽取和采納反饋。特別當(dāng)下這處于美國大選時期，OpenAI又正與政府和外部企業(yè)合作，勢必會采取必要的安全措施和謹(jǐn)慎的態(tài)度。

無獨有偶，OpenAI于2月推出了視頻生成AI“Sora”也同樣未對外界公開。面對生成式AI技術(shù)日益普及所引發(fā)的濫用風(fēng)險，OpenAI對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估和防范。譬如要逐步淘汰基于語音的身份驗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),以便隨時明確您是與真人還是與AI互動等舉措，都是勢在必行的。無論OpenAI是否會廣泛部署這項技術(shù)，我們大家都要了解它的發(fā)展方向。

最后，我們再來討論一個問題：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的獨家報道，微軟和OpenAI將合力打造一臺成本高達(dá)1000億美元，擁有數(shù)百萬個GPU的超級計算機(jī)“Stargate （星門）”。它將為OpenAI的人工智能提供巨大的動力和算力會，不夸張的說，照比現(xiàn)在微軟給OpenAI的支持直接提升幾個量級。

此外，從OpenAI通篇官宣文來看，OpenAI不會在短期內(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...