偽造視頻連口型都能對上：「語音對口型」AI出世

北京時間7月13日早間消息，研究人員開發了一種機器學習演算法，可以將聲音片段變成能口型一致的視頻內容。研究人員展示的這段視頻顯示了美國前總統巴拉克·奧巴馬（Barack Obama）談論恐怖主義等多個話題的場景，但這實際上卻是使用現有的視頻演講人工生成的片段。來自華盛頓大學的研究人員相信，該系統可以最終用於改進視頻通話，甚至確定某段視頻的真偽。

該系統對神經網路進行訓練，使之學會觀看人類講話的視頻，然後將音頻文件轉化成真實的口型。之後再將其嫁接到視頻中的人臉上。為了實現這一目標，他們將該校圖形實驗室之前的研究成果，與最新的口型合成技術結合起來。

該技術還可以實現小幅時移，從而讓神經網路預測說話者接下來所要表達的內容。該團隊之所以選擇奧巴馬，是因為這套系統需要14小時的視頻進行學習，而作為全世界上鏡率最高的人之一，奧巴馬顯然是最佳人選。

「Skype或Messenger這樣的視頻聊天工具未來可以讓任何人收集視頻，然後對電腦進行訓練。」華盛頓大學的伊拉·開梅爾馬切-什利澤曼（Ira Kemelmacher-Shlizerman）說。

由於通過互聯網傳輸音頻所需的帶寬遠低於視頻，所以這套新系統或許可以終結故障頻頻的視頻聊天。

「當你使用Skype或Google Hangouts聊天時，會發現連接不太順暢，解析度也很低，這令人很不高興，但音頻往往很好。」該論文的聯合作者、艾倫學院教授史蒂夫·賽茨（Steve Seitz）說，「所以，如果可以使用音頻生成更高質量的視頻，那就太好了。」

之前的音頻轉視頻技術重點是錄製多個人反覆說同一句話的視頻，然後嘗試捕捉聲音與不同口型之間的相關性。但這一過程成本高昂，而且非常耗時。

通過將這一過程調轉過來——將視頻提供給網路，而不僅僅是音頻——該團隊可能開發各種演算法來判斷一段視頻的真偽。然而，這種神經網路目前只能一次學習一個人。

「你不能隨便找個人就把它的聲音轉化成奧巴馬的視頻。」賽茨說，「我們對此非常謹慎，不希望從某個人嘴裡說出其他人的話。我們只是把某人說過的話變成此人的視頻。」

未來，該演算法或許只需要使用1個小時的視頻就能識別某人的聲音和說話模式，而不必非要14小時的資料。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！