官方网站-首页

【导语】大家好，我是程皓楠。今日聚焦人工智能在音频领域的探索：从让机器模仿人类音色“开口说话”的AI语音合成，到掌握音乐规律“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(xi)相(xiāng)关的(de)。与(yǔ)之(zhī)相(xiāng)对(duì)应(yīng)的(de)，目(mù)前(qián)在(zài)音(yīn)频(pín)领(lǐng)域，我(wǒ)们(men)也(yě)是(shì)在(zài)重(zhòng)点(diǎn)探(tàn)索(suǒ)如(rú)何(hé)借(jiè)助(zhù)人(rén)工(gōng)智(zhì)能(néng)的(de)力(lì)量(liàng)，让(ràng)机(jī)器(qì)学(xué)会(huì)“开(kāi)口(kǒu)说(shuō)话(huà)”和(hé)“听(tīng)音(yīn)辨(biàn)别(bié)”。这(zhè)背(bèi)后(hòu)其(qí)实(shí)包(bāo)含(hán)两(liǎng)大(dà)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(fēn)辨(biàn)。这背后的核心技术就是AI语音合成。

每个人的声音都有独特的音色，这是由声带、喉咙等生理结构以及说话习惯决定的。AI语音合成就是要让机器能够模仿这些人类的音色。那么它是怎么做到的呢？其实，工程师们会先收集大量的人类语音数据。然后，利用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(wēi)差(chà)别(bié)，比(bǐ)如(rú)发(fā)音(yīn)时(shí)的(de)共(gòng)振(zhèn)峰(fēng)频(pín)率(lǜ)、音(yīn)强(qiáng)的(de)变(biàn)化(huà)规(guī)律(lǜ)等(děng)。当(dāng)需(xū)要(yào)生(shēng)成(chéng)虚(xū)拟(nǐ)主播(bō)的(de)语(yǔ)音(yīn)时(shí)，AI就(jiù)会(huì)根(gēn)据(jù)输(shū)入(rù)的(de)文本(běn)，按(àn)照(zhào)学(xué)习(xí)到(dào)的(de)特(tè)征(zhēng)来(lái)合(hé)成(chéng)声(shēng)音(yīn)，从(cóng)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”，这背后除了上面提到的语音合成技术，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旋律和和弦。

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(shòu)

出(chū)品(pǐn)：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