聽 6 秒鐘語音，這個 AI 就能知道你長什麼樣

聲音可以暴露很多信息，比如說，廣東人跟東北人講的普通話永遠都不是一個味兒。

而麻省理工學院（MIT）最近一項研究發現，經過訓練的 AI 不僅能從聲音里辨別出你的性別、年齡和種族，甚至能猜出你大概長什麼樣。這些「秘密」都藏不住了。

▲ 圖自《華爾街日報》

研究人員用一個由數百萬 YouTube 視頻剪輯組成的數據集，對一個名為 Speech2Face 的神經網路模型進行自我訓練，從最終結果來看，6 秒語音對人臉進行還原的效果還算不錯。

▲ 一共 6 組結果示例，左邊是視頻里的人像，右邊是 AI 根據聲音還原的效果

Speech2Face 模型的運作大概分為兩部分，一個是語音編碼器，負責對輸入的語音進行分析，預測出相關的面部特徵；另一個則是面部解碼器，對輸入的面部特徵進行整合產生圖像。

MIT 研究團隊指出，他們的目的不是為了準確地還原說話者的模樣，Speech2Face 模型主要是為了研究語音跟相貌之間的相關性。

從訓練結果看，Speech2Face 能較好地識別出性別，對白種人和亞洲人也能較好地分辨出來，另外對 30-40 歲和 70 歲的年齡段聲音命中率稍微高一些。

▲ Speech2Face 似乎傾向將 30 歲以下的說話者年齡猜大，將 40-70 歲的說話者年齡猜小

除了比較基礎的性別、年齡和種族，Speech2Face 甚至能猜中一些面部特徵，比如說鼻子的結構、嘴唇的厚度和形狀、咬合情況，以及大概的面部骨架。基本上輸入的語音時間越長，AI 的準確度會越高。

當然 AI 的「聽覺」也會出錯。研究人員發現，它會將未經歷變聲期的小男孩識別為女性，對一些說話者的口音判斷錯誤，也會搞混年紀……這一點完全可以理解，畢竟聲音還是會騙人的，夜夜伴你入睡的萌妹奶音主播，實際上說不定就是個摳腳硬漢。

▲ Speech2Face 的一些錯誤示例

研究人員指出，Speech2Face 的局限性，部分原因來自數據集里的說話者本身種族多樣性不夠豐富，這也導致了它辨認黑種人聲音的能力比較弱。

至於他們對這個 AI 模型的應用，則有一個很可愛的想像：只需要說幾句話，未來 Animoji 和 Gboard 等功能或許就能根據聲音生成你的卡通頭像。

▲ 圖自 Independent

不管你信或不信，藏在我們聲音的秘密都正被開發研究，投入各式各樣的場景應用。

卡內基梅隆大學計算機副教授 Rita Singh 也主導過一項類似的研究，能從聲音猜測說話者的年齡、身高、體重、環境噪音和說話時的空間類型等信息。她認為聲音里藏著豐富而獨特的信息，「就像是你的 DNA 或指紋」。

這項技術後來升級成跟 Speech2Face 相似的語音分析系統，還原人臉的準確度達到 60%-70%，目前正被美國海岸警衛隊用於縮小調查範圍找到惡作劇報警者。據稱，他們每年會接到約 150 個惡作劇電話，這些行為被視作浪費警力，甚至會遭到刑事起訴。

▲ 聽起來就像是刑偵劇里的犯罪側寫師

目前，滙豐、渣打、摩根大通等銀行都在用「聲紋」作為身份識別的一種方式（voice ID），可以檢測你的賬戶是否被盜。

大都會人壽保險公司的客服中心，會用一套 AI 系統幫忙識別客戶的情緒和感受，平均準確率達到 82%；一些保險公司甚至會藉此判斷來電者有沒有騙保的意圖——如果說話時出現微小停頓，很可能就是在提供虛假信息。

除此之外，經過訓練的 AI 還被一些公司用於招聘，從應聘者的說話模式分析出性格特徵，判斷是否適合在招崗位。

而豐田汽車曾經在 2017 年 CES 大會展出 Concept-i 概念車型，車內配備紅外攝像頭、感測器、車載語音識別和對話系統，它們將協作判斷司機是不是處於疲勞駕駛狀態並作出提醒。

跟 MIT 的卡通頭像相比，Singh 教授的想法似乎要更長遠且宏大一些。她希望，有朝一日語音識別技術可以用於遠程確診帕金森等疾病。

▲ 圖自 NewScientist

而目前已經有研究發現，冠狀動脈疾病患者在聲音上會留有不同的頻率標誌。未來，「聽聲看病」說不定也會跟「聽聲識臉」一樣成真。

題圖來自 itcrumbs.ru

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！