人民智造2- AI音频生成技术

【导(dǎo)语(yǔ)】大(dà)家(jiā)好(hǎo)，我(wǒ)是(shì)程(chéng)皓(hào)楠(nán)。今(jīn)天(tiān)想(xiǎng)与(yǔ)大(dà)家(jiā)探(tàn)讨(tǎo)人(rén)工(gōng)智(zhì)能(néng)在(zài)音(yīn)频(pín)领(lǐng)域的(de)奥(ào)秘(mì)，从(cóng)口(kǒu)耳(ěr)对(duì)应(yīng)的(de)声(shēng)音(yīn)技(jì)术(shù)切(qiè)入(rù)，看(kàn)AI如(rú)何(hé)让(ràng)机(jī)器(qì)“开口说话”“听音辨别”，涵盖AI语音合成、作曲、音效合成等技术，揭开其背后的原理与应用。

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，让机器学会“开口说话”和“听音辨别”。这背后其实包含两大类技术，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(qí)实(shí)，工(gōng)程(chéng)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(yōng)有(yǒu)接(jiē)近(jìn)真(zhēn)人(rén)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(chuàng)作(zuò)场(chǎng)景(jǐng)中(zhōng)，用(yòng)户(hù)只(zhǐ)需(xū)要(yào)给(gěi)定(dìng)一(yī)些(xiē)参(cān)数(shù)，如(rú)音(yīn)乐(lè)风(fēng)格(gé)、节(jié)奏(zòu)快(kuài)慢(màn)、调(diào)式(shì)等(děng)，AI模(mó)型(xíng)就(jiù)会(huì)根(gēn)据(jù)所(suǒ)学(xué)的(de)知(zhī)识(shi)生(shēng)成(chéng)相(xiāng)应(yīng)的(de)旋(xuán)律(lǜ)和(hé)和(hé)弦(xián)。

AI音(yīn)效(xiào)合(hé)成(chéng)技(jì)术(shù)

此(cǐ)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