官方网站-首页

【导语】大家好(hǎo)，我(wǒ)是(shì)程(chéng)皓(hào)楠(nán)。今(jīn)日(rì)聚(jù)焦(jiāo)人(rén)工(gōng)智(zhì)能(néng)在(zài)音(yīn)频(pín)领(lǐng)域的(de)探(tàn)索(suǒ)：从(cóng)让(ràng)机(jī)器(qì)模(mó)仿(fǎng)人(rén)类(lèi)音(yīn)色(sè)“开(kāi)口(kǒu)说(shuō)话(huà)”的(de)AI语(yǔ)音(yīn)合(hé)成(chéng)，到(dào)掌(zhǎng)握音乐规律“开口唱歌”的AI作曲，再到模拟多样音效的AI音效合成，人工智能正重塑音频世界，其基础原理、应用现状与未来走向值得深入探讨。

大家好，我是程皓楠，今天来这里呢，想和大家讨论一下人工智能在音频领域的基础原理、当前应用和未来趋势。

在人类的五官中，口和耳都是和声音息息相关的。与之相对应的，目前在音频领域，我们也是在重点探索如何借助人工智能的力量(liàng)，让(ràng)机(jī)器学会“开口说话”和“听音辨别”。这背后其实(shí)包(bāo)含(hán)两(liǎng)大类技术，音频生成技术和音频检测技术。

AI语音合成

首先我们来聊一聊AI音频生成技术。大家可能在网络上见过很多虚拟主播，它们能说会道，声音还各具特色，有的甚至和真人主播难以分辨。这背(bèi)后(hòu)的(de)核(hé)心(xīn)技(jì)术(shù)就(jiù)是(shì)AI语(yǔ)音(yīn)合(hé)成(chéng)。

每(měi)个(gè)人(rén)的(de)声(shēng)音(yīn)都(dōu)有(yǒu)独(dú)特(tè)的(de)音(yīn)色(sè)，这(zhè)是(shì)由(yóu)声(shēng)带(dài)、喉(hóu)咙(lóng)等(děng)生(shēng)理(lǐ)结(jié)构(gòu)以(yǐ)及(jí)说(shuō)话(huà)习(xí)惯(guàn)决(jué)定(dìng)的。AI语音合成(chéng)就(jiù)是(shì)要(yào)让(ràng)机(jī)器(qì)能(néng)够(gòu)模(mó)仿(fǎng)这(zhè)些(xiē)人(rén)类(lèi)的(de)音(yīn)色(sè)。那(nà)么(me)它(tā)是(shì)怎(zěn)么(me)做(zuò)到(dào)的(de)呢(ne)？其(qí)实(shí)，工(gōng)程(chéng)师(shī)们(men)会(huì)先(xiān)收(shōu)集大(dà)量(liàng)的(de)人(rén)类(lèi)语(yǔ)音(yīn)数(shù)据(jù)。然(rán)后(hòu)，利(lì)用(yòng)深度学习中的神经网络模型，对这些数据进行分析和学习。通过深度学习，AI能够捕捉到语音中的细微差别，比如发音时的共振峰频率、音强的变化规律等。当需要生成虚拟主播的语音时，AI就会根据输入的文本，按照学习到的特征来合成声音，从而让虚拟主播拥有接近真人的语音表现。

AI作曲技术

不仅是“开口说话”，机器现在也可以“开口唱歌”，这背后除(chú)了(le)上(shàng)面(miàn)提(tí)到的语音合成技术，还有AI作曲技术。AI作曲并不是简单地随机组合音符，而是通过深度学习对大量的音乐作品进行分析和学习，掌握音乐的旋律、和声、节奏等规律，从而创作出新的音乐作品。工程师会给AI输入大量的经典音乐作品，让它学习不同风格的音乐特征，如古典音乐的严谨结构、流行音乐的动感节奏等。在学习过程中，AI会分析音乐中的旋律走向、和弦进行、节奏模式等，建立起音乐创作的模型。在AI音乐创作场景中，用户只需要给定一些参数，如音乐风格、节奏快慢、调式等，AI模型就会根据所学的知识生成相应的(de)旋(xuán)律(lǜ)和(hé)和(hé)弦(xián)。

AI音效合成技术

此外，不仅是模拟人类说话、唱歌，机器还可以模拟各种音效。比如自然界的风声、雨声、动物叫声，还有科幻电影中的外星生物音效、未来科技设备的声音等。AI生成音效的原理和语音合成有一定相似之处，但是需要对大自然中多样化的声源进行更深入的分析和特征学习。比如引入一些物理声学规则作为先验知识来约束AI模型的生成内容。AI音效合成技术为影视创作带来了很多便利，它大大缩短了音效制作的时间。以前需要几天甚至几周才能完成的音效制作，现在通过AI可以在短时间内生成多个候选方案。

本文为·创作培育计划扶持作品

作者：人民日报

审核：贾宁 大连东软信息学院 教授

出品：中国科协科普部

监制：中国科学技术出版社有限公司、北京中科星河文化传媒有限公司

来源: 创作培育计划(huà)