ai的声音由何而来（AI声似真人我们该怎么办）

作者：王向坤

最近，短视频平台上出现了高度模仿真人声音的场景视频片段，这样的视频往往以某一段非常有名的角色带入，开始还是角色的本来说话内容，可是，接下来内容变了，原来的角色竟然说起了与新的场景相吻合的话语，没有听过的，肯定先是一愣，诧异于TA怎么会这么说？不过，很快就明白了，这是人为的改变，具体说就是，借助了AI技术，让角色说出了不同于原场景的话语。关键问题是，这个语音与角色的原来语音整体一样，语调、语速等几乎与原声相同，这才是人们关注、思考的重点。至于UP主让TA说什么，完全是为了配合新场景、新表达的需要。

站在技术的角度，这个东西非常不一般。

曾几何时，有人为了制作视频，拍摄、剪辑都不是问题，问题在于配音不好解决。一般人说话，带有很强的口语化，如果不是经过特别的播音训练，录制的声音效果很一般，所以说，早期的配音，都是去找专业的播音员。

后来，随着技术的进步，电脑合成声音慢慢普及，但是，也仅限于有限的几种，且生成的声音较为机械，与真人发声相差较大，就是现在的短视频中仍然可以感受到这个效果。时间长了，人们就习惯了，不太较真，但是，对于重要的配音，仍要选择专业人员。

这要说，随着技术进步，电脑声音会越来越流利、流畅，人们信，但是，这个电脑声音还要由标准化变为个性化，这就有点匪夷所思。

可是，对于AI来说，没有什么不可能，研究人员终究还是克服了真人个性化发音的问题，这仿佛是打开了潘多拉魔盒，让有些场景，让人们的认知，开始变得不确定。

自从有了电脑存储，声音、图像成了记录特定时间、场合内容的工具和形式，里面包含着我们所需要的资料，甚至可以作为证据。

但是现在，由于AI对于声音的改变，让我们不得不重新审视现在及未来的内容和规则，究竟还能不能相信，能不能作为证据，又如何进行鉴别？都是问题。

说到声音，我们就不得不再进一步说说视频，尤其是AR技术对于视频内容和形式的改变，这个代入感很强，只要代入的实体和视频现场采集的场景高度吻合，就会造成真假难辨。短视频，作为娱乐的属性很强，几乎没有人去想其他的事情，人们更多的是去欣赏和沉浸。由于技术的普及，普通人亲自试一试都不是问题。

随着元宇宙概念的提出，AI、AR技术成为了构成基础，我们真人不可能有足够的时间亲自下场元宇宙场景，那么我们本人的代表在元宇宙里，不止需要AR沉浸，还需要AI代表本人发声，它们越接近，效果越好。

不难看出，AI、AR对于声音、视频的改变有着特定的现实需求，不是单纯的出于娱乐性质。那又如何管控呢？我们可以把这些都归为产品的范畴，作为产品，作为视听产品，必须具备清楚的标记，让人们很容易的识别它的出处，从而不至于造成混淆，给其他环节带来困惑，这个是必要的。