三只羊卢总的AI合成录音到底能不能做?我的答案是:当然能

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

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。

图片

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。

图片

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。

图片

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。

图片

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。