酷似AI推出语音合成平台和Deepfake检测工具

 
人工智能和机器学习是语音合成的强大工具。正如无数研究表明的那样，仅需几分钟(对于最先进的模型而言，则是几秒钟)即可精确地模仿对象的韵律和语调。例如，百度最新的Deep Voice服务可以仅用3.7秒的音频样本来克隆语音，而最近发布的一项7月份研究论文中的实现大约需要5秒钟。
该领域的快速发展激发了前Magic Leap首席软件工程师Zohaib Ahmed的工作经验，他刚在BlackBerry和Hipmunk工作过，他与Saqib Muhammad共同创立了位于安大略省的Resemble AI。他们俩试图将领先的机器学习模型用于语音合成，以实现规模化，其目标是建立一种服务，该服务能够从相对较小的数据集中克隆语音。
但是，除了推出语音合成产品外，艾哈迈德和穆罕默德还推出了一种检测深造的工具。两种技术有着千丝万缕的联系。
虚假威胁
艾哈迈德(Ahmed)和穆罕默德(Muhammad)有远见，他们意识到，就像任何能够创建令人信服的合成音频的工具一样，Resemble的平台也可能被恶意参与者滥用。总部位于阿姆斯特丹的网络安全创业公司Deeptrace表示，Deepfakes(一种将现有唱片中的一个人替换为其他人的肖像的媒体)正在成倍增长。它在6月和7月的最新统计中，在互联网上确定了14698个Deepfake视频，高于去年12月的7964个，仅在七个月内增长了84%。
令人不安的不仅是因为伪造品可能被用来在选举中影响公众舆论，或将某人牵涉到他们没有犯下的罪行，而且还因为他们已经被用来骗取至少数百家公司数百万美元。
因此，Resemble小组在几个月前发布了一个名为Resemblyzer的开源工具，该工具使用AI和机器学习来通过获取语音样本的高级表示并预测它们是真实的还是生成的来检测深层虚假。给定语音音频文件，它会创建一个256个值的摘要矢量(一个嵌入)，该矢量汇总了所讲语音的特征，使开发人员能够比较两种语音的相似性，或确定在任何给定时刻谁在讲话。
艾哈迈德说：“作为研究人员和企业家，我们对自己创造的成果给社会带来的好处和/或风险深思熟虑。” “当您在我们的平台上创建声音时，我们会采取极端措施来确保声音的所有权。”
克隆媒体声音
在今年早些时候进行软启动之后，Resemble宣布推出Resemble Clone。据首席执行官艾哈迈德(Ahmed)所说，它旨在针对娱乐业，其工具旨在优化虚拟现实体验，动画电影和电视以及有声读物的声音。
艾哈迈德说：“我们着手开发一种产品，以帮助创意人克服制作音频内容的障碍。” “随着年复一年地产生越来越多的音频内容-智能扬声器，Airpods，播客，有声读物和虚拟现实和增强现实中的数字角色-对快速准确的语音克隆的需求在不断增长。类似于AI的独特重点是赋予创造力，使他们能够在不牺牲质量的情况下控制和制作内容。”
从最终用户的角度来看，Resemble体验类似于Lyrebird，后者于9月由Group创始人Andrew Mason的Descript获得。像Resemble一样，Lyrebird的用户可以记录来自实时动态生成的提示的语句，这些提示被输入到云托管的算法模型中，这些模型用于塑造可共享的定制数字语音配置文件。
类似于AI
不过，类似的客户无需创建新的录音-现有的音频也可以通过基于Web的上传器或API进行合并。 (Resemble需要三分钟的音频才能生成高质量的样本。)该平台可以创建虚拟的声音，并带有类似于人的情感和语调，可以将其提供给Google的Dialogflow或任何类似的自然语言理解引擎。
艾哈迈德(Ahmed)设想，游戏开发人员会在预生产过程中从演员那里创建声音以进行抓取和迭代，或者根据化身或角色的个性定制完全新颖的声音。另一个潜在的用例是为智能助手和语音应用创建音像，例如分别在Google助手和亚马逊的Alexa上播放John Legend和Samuel L. Jackson的声音。
类似作品并非完全新颖。文字转语音技术初创公司iSpeech提供了类似的语音克隆工具，Modulate，Respeecher和印度班加罗尔的DeepSync也提供了类似的工具。但是像Firstminute投资者Clara Lindh Bergendorff这样的投资者相信，他们与Craft Ventures，AET Fund和Betaworks一起参加了Resemble AI的200万美元的种子融资。