微軟AI聽3秒錄音扮人聲 推語言模型VALL-E 可合成任何說話
原文刊於信報財經新聞「StartupBeat創科鬥室」
人工智能（AI）發展一日千里，微軟近日針對文本到語音合成（Text-to-Speech, TTS）技術，發表「神經編解碼器語言模型」VALL-E，只要向AI提供3秒鐘錄音，便可以準確模擬當事人的聲音。VALL-E若學會一種特定聲音，就能合成對方任何說話，甚至模仿語氣及說話情景。
新模型跟操控聲波等常見做法不同，VALL-E所具備的語音合成能力，源於Meta Platforms去年10月推出的EnCodec技術，其巧妙之處在於系統能分析一個人的聲音，再利用AI訓練數據計算出到底這句話該如何發聲，再產生相應的音訊編解碼器（Audio Codec）。
能模仿聲線語氣
微軟在VALL-E示範網站上列出數十個AI模型的語音例子。介面左邊的Text為英文段落，Speaker Prompt及Ground Truth兩項，代表原有的人聲錄音。前者只有數秒長度，用作訓練VALL-E系統；後者按照Text字眼原文朗讀。此外，Baseline為傳統TTS合成例子，VALL-E代表以新模型輸出，方便網民聆聽兩者分別。
蘋果電子書增旁白
除了保留說話者的聲線特色及語氣，VALL-E更可模仿錄音樣本的「聲學環境」，例如訓練錄音來自電話時，AI合成出來的語音效果，亦模擬了講電話的感覺。不過，微軟擔心被人濫用技術，甚至用來冒充他人身份，故不設VALL-E代碼供人試用。
話分兩頭，蘋果公司上周也更新Apple Books服務，在部分精選的英文電子書，包括文學、歷史及女性小說，推出AI數碼旁白功能，共有Jackson及Madison男女配音選擇，令有聲讀物的製作及發行更簡單。至於小說以外的電子書，則交由Mitchell及Helena兩把聲音負責。
愛爾蘭網站Research and Markets去年有報告指出，全球有聲讀物的市場規模，到2030年將達到350.5億美元（約2734億港元），複合年均增長率（CAGR）為26.4%。微軟亦對AI前景感到樂觀，新聞媒體Semafor引述知情人士稱，該企傳再投資AI美企OpenAI，金額達100億美元（約780億港元）。
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
