令人毛骨悚然的新AI可以在听到3秒钟后完美模拟您的声音
它是如此出色，以至于它的创建者承认它“可能会遇到滥用的潜在风险”。
现代技术彻底改变了我们完成工作的方式。 甚至是最基本的版本 大多数人的口袋里的智能手机 或我们客厅中的智能家居设备具有令人印象深刻的功能，尤其是当您认为可以通过人工智能（AI）来通过交谈来控制它们时。 但是，即使计算机进步以帮助我们的生活更轻松，他们也进入了新的领域，因为它们能够模仿人类的行为甚至为自己思考。 现在，即使听到三秒钟后，一种新的令人毛骨悚然的AI形式也可以完美地模拟您的声音。 继续阅读以了解有关开创性技术的更多信息。
接下来阅读此信息： 专家说，永远不要以这种方式为您的Android手机充电 。
微软开发了一种新型的AI，可以完美地模拟您的声音。
我们都依靠机器以一种或另一种方式使我们的日常生活更轻松。 但是，如果计算机可以介入，并且 模仿你说话的方式 没有其他人注意到吗？
上周，微软的研究人员宣布，他们已经开发了一种新形式的文本到语音AI，他们将其称为Vall-e。 该技术可以通过使用三秒钟的音频剪辑来模拟一个人的声音，甚至可以拾取并保留原始扬声器的情感音调和录制的环境的声音。 该团队表示，该模型可能会方便地创建文本的自动发声，即使它具有类似于Deepfake视频的高度复杂欺骗的潜在风险。
该公司表示，新技术基于“神经编解码语言模型”。
在论文中 讨论新技术 ，Microsoft Dubs vall-e“神经编解码器语言模型”。 这意味着，尽管传统的文本到语音（TTS）软件采用书面文字并操纵波形以生成发声，但AI可以拾取语音和特定音频提示的微妙元素，以帮助其创建可靠的娱乐性。 说任何句子的人 根据网站有趣的工程，这已经馈入了它。 AE0FCC31AE342FD3A1346EBB1F342FCB
“为了综合个性化的语音（例如，零击中TT），VALL-E生成了在3秒注册记录的声学令牌上生成相应的声学令牌，并分别限制了说话者和内容信息的音素提示。 团队在论文中解释。 “最后，生成的声学令牌用于将最终波形与相应的神经编解码器合成。”
有关的： 有关更多最新信息，请注册我们的每日新闻通讯 。
该团队使用了60,000多个小时的记录演讲来训练新的AI。
为了开发新模型，该团队说，它使用了大约60,000个小时的英语记录语音，这些演讲来自由Meta被称为Librilight组装的音频库中的7,000多个演讲者。 在大多数情况下，录音是从读物中提取的 公共域有声读物 ARS Technica报道，存储在Librivox上。 该团队在试验中说，Vall-E需要三秒钟样本中的声音，以与训练数据中的声音紧密相似，以产生令人信服的结果。
团队现在正在展示他们的工作 发布具体示例 在GitHub页面上使用的软件。 每个人都提供了一个三秒钟的剪辑，该剪辑读取随机文本和“地面真相”，这是录制的示例的示例的示例，读取用于比较的句子。 然后，他们提供了“基线”录制，以显示典型的TTS软件如何生成口语音频和录音的“ vall-e”版本，以与前两个进行比较。
尽管结果并不是完全完美的，但它们确实展示了一些令人信服的例子，其中机器生成的演讲听起来令人震惊。 研究人员还补充说，除了模仿拐点和情感之外，该软件还可以复制记录基本音频的环境，例如，听起来像是有人在户外，在回声室或电话上说话。
到目前为止，微软尚未发布该程序供其他人进行测试或试验。
研究团队结束了论文，说他们计划增加培训数据的数量，以帮助该模型改善其说话风格，并在模仿人的声音方面变得更好。 但是目前，微软还阻止了将新软件可用于开发人员或公众进行测试的新软件，这是由于其能够欺骗人们或用于邪恶目的的能力。
作者在他们的结论中写道：“由于Vall-e可以合成维护说话者身份的语音，因此它可能会在滥用模型的情况下承担潜在的风险，例如欺骗语音识别或假冒特定的说话者。” “为了减轻这种风险，可以建立一个检测模型来区分Vall-E是否合成音频剪辑。在进一步开发模型时，我们还将将Microsoft AI原则付诸实践。”
