只需 15 分钟，iPhone 就能「复制」你的声音

　　史蒂芬·霍金的「机械电音」，也许是世界上其中一个最有辨识度的声音。

　　但那并不是霍金自己的声音。

　　在霍金因渐冻症(ALS)失去说话能力的年代，技术还不足以让他能生成自己声音。事实上，能用上语音合成器的人都屈指可数。

　　到了今天，ALS 患者虽然有了更多语音合成的选择，但总体费用和时间门槛仍然不低，普及度也有限。

　　最近，苹果公布了全新无障碍功能 Personal Voice(暂未上线)，不仅让用户能免费「备份」自己的声音，同时还在安全地应用 AI 技术上，作出了一次有意思的尝试。

　　只需 15 分钟「调教」，就能生成你的声音

　　▲ 图自 Fastcompany

　　在生成式 AI 可以模仿一切的时代里，用 AI 模仿一个人的声音听起来已经不算新奇，只是感觉有点安全隐患。

　　我好奇的，更多是苹果要怎样安全和高效地实现 Personal Voice 这一功能。

　　据介绍，iPhone、iPad 和 Mac 用户只需要根据提示录制 15 分钟的音频，苹果就会基于设备端的机器学习技术来生成和用户一样的声音。

　　相比之下，为失语群体提供专业语音合成服务的公司，可能需要采用专业设备，录制几小时的语音素材，价格最低都要数百美元。

　　另一项新无障碍功能 Live Speech，则支持用户打电话、FaceTime 或者是和他人面对面对话的时候，输入文字即可生成语音内容，为失语或不方便说话的用户提供另一种「发声」方式。

　　结合 Personal Voice 和 Live Speech 两项功能，失语用户就能用接近自己原本声音的生成声音和他人沟通。

　　用起来是方便了，但怎样避免有人用网上扒的语音素材来生成他人的声音?

　　素材随机化。

　　在录制 15 分钟语音素材的过程中，苹果将随机生成需要用户朗读的内容，减少他人猜中素材的可能性。

　　物理距离屏障。

　　在录制过程中，用户需要在距离设备 6-10 英寸(约 15- 25 厘米)的特定空间里完成录制。

　　在生成过程中，所有数据都将通过苹果的 Neural Engine(神经引擎)在设备本地完成，不必要上传到云处理。

　　语音合成后，第三方应用如果想使用 Personal Voice，都要获得用户明确授权。

　　即便第三方应用获得授权使用时，苹果也会采用额外的背景保护，确保第三方应用无法获取 Personal Voice 以及用户之前所录制的语音素材。

　　如果是苹果「全家桶」用户，生成自己的 Personal Voice 后还能通过 iCloud 同步到不同设备上，并以端对端的方式加密。

　　自己的声音，失去了才懂多重要

　　人是感性的生物，而声音是很强烈的情感触发器。

　　有研究指出，当人在听到母亲的声音时，身体释放出催产素水平和跟妈妈拥抱时产生的程度很相似。另一个研究则指出，听到自己的声音，会增强一个人的自我能动性。

　　这听起来有点抽象。

　　但当我们失去它时，重要性就变得显而易见了。

　　2021 年 3 月，Ruth Brunton 被确诊 ALS。那年圣诞，她就已经失语了。

　　ALS 患者中，约有 25% 的人患的是「延髓起病型」肌萎缩侧索硬化症，融易新媒体，主要表现是说话障碍或吞咽困难。这类病人说话会逐渐变得含糊、带有鼻音，甚至失语。

　　Brunton 的行动很果断，确诊后马上找公司去做语音生成。

　　来回花了一个月时间，录了 3000 多个句子的语料，但最后出来的结果并不理想。

　　那家公司用的是一种名为「单元选择(unit selection)」技术。

　　简单粗暴来说，它就是通过「拼接」来实现语音生成，把语料拆分为大量小的语音单元，然后按需把元素拼起来。

　　▲单元选择技术下，「Bob」这一词语能被拆分成不同语音元素，图自《华盛顿邮报》

　　这种技术生成的语音能听清，但会有点电音，听起来不太自然。

　　结果就是，Brunton 录制的语料结合了微软一个名为「Heather」的声音，不但声音和自己毫不相似，甚至逼着这英国人「讲」起了美语口音。

　　困在这个声音里，Brunton「只会在必要的时候说话，不再是因为想说话而说话」。

　　从前和丈夫打闹聊天的心情消失了，Brunton 也不怎么愿意参加多人对话。