语音AI(TTS·STT)

语音AI是两个方向的转换。把说话转成文字是STT(Speech-to-Text,语音识别),把文字转成说话是TTS(Text-to-Speech,语音合成)。会议录音自动变成会议纪要,靠的是STT;导航软件读出路线,靠的是TTS。

近来的飞跃在于"像人"。只需几秒钟的样本就能克隆出某个人的声音(声音克隆),连呼吸声、笑声、犹豫的停顿都能模仿出来。聊天机器人和实时语音对话之所以成为可能,AI配音、AI有声书产业之所以兴起,都得益于此。

阴影同样明显。模仿家人声音行骗的语音诈骗、配音演员的生计问题、复原已故之人声音引发的争议——语音AI的新闻里,便利与滥用往往交替出现。

"仅凭3秒样本即可克隆声音的TTS发布"——炫耀性能和担忧滥用同时出现在一篇报道里,是这类新闻的固定套路。