AI使用音頻剪輯對與語音匹配的真實(shí)感面部建模

您是否曾經(jīng)僅僅根據(jù)他們的聲音來構(gòu)造一個(gè)從未見過的人的心理形象？人工智能（AI）現(xiàn)在可以做到這一點(diǎn)，僅使用簡短的音頻剪輯作為參考即可生成人臉的數(shù)字圖像。

這個(gè)名為“ Speech2Face” 的神經(jīng)網(wǎng)絡(luò)（一種以類似于人腦的方式“思考”的計(jì)算機(jī)）經(jīng)過科學(xué)家培訓(xùn)，接受了來自互聯(lián)網(wǎng)的數(shù)百萬個(gè)教育視頻，顯示了100，000多個(gè)不同的人在說話。

研究人員在一項(xiàng)新研究中寫道，Speech2Face通過該數(shù)據(jù)集學(xué)習(xí)了語音提示與人臉某些物理特征之間的關(guān)聯(lián)。然后，AI使用音頻剪輯對與語音匹配的真實(shí)感面部建模。

值得慶幸的是，人工智能還不能僅僅根據(jù)他們的聲音確切地知道特定的人是什么樣。研究作者報(bào)告說，神經(jīng)網(wǎng)絡(luò)識(shí)別語音中的某些標(biāo)記，這些標(biāo)記指向性別，年齡和種族，是許多人共有的特征。

科學(xué)家寫道：“因此，該模型只會(huì)產(chǎn)生看上去普通的面孔。” “它不會(huì)產(chǎn)生特定個(gè)人的圖像。”

盡管坦率地說，對貓的解釋有點(diǎn)讓人恐懼，但AI已經(jīng)證明它可以產(chǎn)生出異常準(zhǔn)確的人臉。

由Speech2Face生成的臉部-均面向正面并具有中性表情-與聲音背后的人并不完全匹配。但是，根據(jù)這項(xiàng)研究，這些圖像通常確實(shí)可以捕捉到正確的年齡范圍，種族和性別。

但是，該算法的解釋遠(yuǎn)非完美。當(dāng)面對語言變化時(shí)，Speech2Face表現(xiàn)出“混合表現(xiàn)”。例如，當(dāng)AI收聽亞洲人講中文的音頻片段時(shí)，該程序會(huì)產(chǎn)生亞洲人臉的圖像。然而，據(jù)科學(xué)家報(bào)道，當(dāng)同一個(gè)人用不同的音頻片段講英語時(shí)，人工智能產(chǎn)生了白人的面孔。

該算法還顯示出性別偏見，將低音調(diào)的聲音與男性面孔相關(guān)聯(lián)，將高音調(diào)的聲音與女性面孔相關(guān)聯(lián)。研究人員寫道，由于訓(xùn)練數(shù)據(jù)集僅代表YouTube上的教育視頻，因此“并不代表整個(gè)世界人口?！?/p>