今天凌晨，N多人给我发了一张图，说警方通报了，问我到底怎么看三只羊录音是不是AI这事。
还有朋友跟我说，有个号称「国内AI第一人」的，之前信誓旦旦的说这录音必不可能是AI，AI做不出来。
所以这个通报背后，会不会背后是有些阴谋论？
我差点都喷了，国内AI第一人？我第一反应是院士也下场参加这种无聊的事了？
然后查了一下...哦.....算了不提了。
我觉得我有必要科普一下，就是AI到底能不能做到三只羊卢总录音级别?
我可以明确的给你一个回答，是：能。
先简单说下前情提要。
三只羊跟辛巴有一段乱七八糟的风波，反正就是互相掐架，你来我往，好不热闹。
然后风波正甚时，三只羊董事长卢文庆的一段炸裂的录音被全网疯传。
就是这个录音视频，我做了删减，其中一些不雅片段我也全部消音处理了。
<iframe src="//player.bilibili.com/player.html?isOutside=true&aid=113173445217616&bvid=BV1gjtBe9Eek&cid=25942688662&p=1&autoplay=0" frameborder="no" scrolling="no" allowfullscreen="allowfullscreen"></iframe>
内容炸裂不堪入耳，信量极大且内容十分惊人，其中涉及权斗、出轨等等等，总结一下就是卢总自爆和三只羊所有女主播有过不正当的关系。还点名看不起张一鸣。。。
大概就是这么个事，然后三只羊就举报了，说这录音是AI合成的。
网上就吵得不可开交了，大部分人最大的理解就是，AI做不出来这种级别的录音，为什么?因为那个“国内AI第一人”说的。
这段录音听着很真实对吧，有情绪有方言有杂音，所以问题其实就是两个，这段录音，到底是不是AI做的?以及，AI到底能不能做到这种级别的录音?
第一个问题，今天已经有了答案，我永远无条件相信我们的公安，他们发布的通报，我也相信就是事实，这个没有任何可以争议的。所以第一个问题的答案相当明确，那就是AI做的。
那么第二个问题，最关键的来了，AI到底能不能做到这种级别的录音。
我的答案，当然能。
首先，我需要在这里科普一下，AI是个大类，而在细分里面还有很多赛道。
有语言大模型(GPT、Claude、豆包等等)，有AI绘图(MJ、SD、FLUX等等)，有AI音频(11Labs、SVC、GPT-Sovtis、Suno等等)、有AI视频(Runway、可灵、豆包、Pixverse等等)、有AI 3D(TripoAI、Meshy等等)。
而AI音频里，又分为AI生成音乐、AI生成音效、声音克隆。
这个录音，属于声音克隆这个赛道里面的。
所以不要说AI能做出来这个就比OpenAI比ChatGPT还要牛逼，都不是一个赛道的，有啥可比的，就像你说哇这个洗衣机洗衣服真牛逼，比那个冰箱还要牛逼。。。
而声音克隆，又分为两种：TTS(文本生成语音)、SVC(AI换声)。
TTS就是给一段一个人的人声，只要几秒几十秒的素材，就能训练一个AI模型，然后直接用文字就能生成特定人声音音频的语音合成，现在最好的开源项目应该是GPT-sovits。
SVC你就可以通俗的理解成AI换声，就是AI时代的变声器。现在AI变声器领域三个扛把子项目：So-vits-svc、RVC、DDSP。
OK，现在清楚在AI声音克隆领域，也有两种手段来实现声音伪造了吧。
TTS项目，优点是数据要求短，5秒的音频素材就行，就能克隆你的声音，后续只要给文本就能生成音频，成本极低效果极快。但是缺点就是，情绪、停顿、真实度的上限都很低，听个几十秒，就能非常轻松的听出来哦这个是AI味道。
而之前，大家觉得AI做不了卢总的音频伪造，都是先入为主的带入了TTS的思路，觉得一定是用TTS做出来的。
非常坦率的讲，TTS做卢总这种级别的音频，就我所知道的市面上公开的产品（不包括各大公司内部实验室的项目），确实有点难。
但是，思路打开，TTS做不了这个，但是SVC呢?
SVC的缺点，就是成本高，需要起步30分钟的音频数据集，然后跑几个小时的炼丹训练这个人的人声模型，最后还需要再找一个人录一段音频，再用SVC换声，把音色替换过去。
而优点就非常的直白了，这玩意能保留说话人的所有情绪、停顿、语气、方言等等等等，质量上限约等于无限，只要模型好，你根本听不出来这到底是不是AI的。
连歌声都可以无缝换声，换你个说话声音，简直就是个小case了好吧。
去年爆火的「AI孙燕姿」，就是拿SVC做的。
所以用SVC做卢总的AI音频伪造，步骤也很简单。
1. 从网上收集卢总的30分钟左右说话数据，这个很好找，毕竟他是名人。
2. 用SVC或者RVC，把卢总的声音清洗完，训练成一个AI模型。
3. 卢总是安庆人，合肥那边安庆人很多，找一个跟他口音差不多的，把需要合成的音频自己先念一遍。
4. 最后用SVC的AI模型，把念完的音频替换成他的声音。
女声同理。
至此，完毕。
如果你还想听着真实一点，就用剪映啥的加点风噪环境音，太多了，随便找，你要环境音，传统音频软件能处理，当然，你也可以拿着带环境音的数据集进去训练，虽然我不推荐这么做。。。
特别是原视频那个方式，是把录音发到手机上，再用手机播放，用另一台手机来录，本身环境音就一堆了，还夹在着哥们背景笑声，乱七八糟的。这都属于场外因素了。。。
所以，回到第二个问题，AI能不能做卢总那种的伪造录音？当然能。
不要把AI想的太神话，也别把AI想的太垃圾，人工智能，很多时候是人工+智能。
现在的TTS，解决不了情绪问题，那为啥非要让AI去搞定情绪?
你人工念完了换音色不就行了?这就是人工+智能。
思路打开，不要太局限。
AI是你的助手，是辅助工具，是让你用的，不是让你啥都甩给他当甩手掌柜的。
最后，我想声明一下。
我写下这篇文章，不是让大家去知道这个技术，而去犯法，做一些法外之事，成为法外狂徒。
而是希望做一个关于AI音频的小小科普，抹平信息差，让大家知道有这么个技术，上限就在这，不要觉得AI做不到就可以掉以轻心。而是要知道，现在的AI，可以达到什么地步，什么水平。
在人工+智能的加持下，能做到什么事情。
科技的进步是不可逆的，所有人都是这巨大洪流中的一滴水，只会被裹挟着前行，知道永远比不知道好，知己知彼，方能百战不殆。
我们学习很多东西，学习AI，很多时候，是为了保护我们自己。
还有，保护我们的家人。
然后，更好的生活。
