今天小编分享的科技经验：文心一言新功能体验：2秒创建「AI嘴替」，但功能有些单薄，欢迎阅读。
小雷平时刷 B 站经常会看到有 UP 主发布 AI 模仿明星唱歌的视频，音色音准至少有 6-7 成的相似度，甚至部分训练到位的 AI 模型能复刻出与明星几乎一致的声音。除了唱歌外，这种功能还被广泛应用于不同角色的配音，一个被投喂了足够数量和时长的高质素材的 AI 大模型，绝对能达到以假乱真的程度。
五音不全的小雷十分向往这项技术，但苦于本地训练模型的繁杂，一直没有下定决心去训练自己的 AI 声音。恰巧近期百度文心一言上线了定制智能体专属声音的新功能，官方宣称用户只要花费几秒就能完成设定。
如此省时省力就能训练出自己的 AI 声音？带着疑惑，小雷尝试着创建专属自己的「AI 嘴替」。
打开文心一言 App，点击下方「+」号，我们就进入到智能体的创建界面。在声音选项栏中，我们能给智能体选择声音特性。在官方声音根据方言、性别、音色以及角色进行分类，提供了 32 种不同的声音。但我们目标明确，还是来体验下创建自己的声音这一功能。
图源：雷科技制作，文心一言页面
点击「创建我的声音」，用户需要用自然的语气朗读系统给出的文字，让系统识别音色音准。经实测，识别过程仅需 2-3 秒，小雷的「AI 嘴替」就正式创建成功。值得注意的是，系统在录制前会对环境音进行短暂的识别，确认噪声符合录制要求后，才正式进入录制环节。
不仅如此，我们还能对智能体的性格特征、口头禅、个人经历、亲友关系、兴趣爱好以及开场白，进行个性化定制，这些因素会影响智能体后续的交流表现。
图源：雷科技制作，文心一言页面
话不多说，我们来看看文心一言在短时间内创建的 AI 声音究竟能不能让人满意。开启声音播报功能后，小雷试着让智能体给我介绍雷科技的相关信息，先不说声音，至少对雷科技的介绍还是比较全面的，除了公众号 168 万粉丝（已超过 170 万）的数据有些过时外，其他描述大体一致。
说回声音，音色方面本人认为至少能达到 8 成的相似度，尤其是情绪、语气的表现，差点让小雷以为是自己在说话。或许是为了让用户能更好的听清楚智能体的表达，整体语速稍慢，想让用户耐心听完全部回答可能会有些难度。
对比传统的文字表达，智能体语音回答的拟人度更高，在回答中加入了比较多的语气词，更接近人们日常交流的表达习惯。验收完声音质量后，小雷决定还是回归到自己对 AI 嘴替的本质要求——唱歌，十分可惜的是，目前文心一言创造的智能体暂时不支持该项功能。随后小雷换了个角度，让智能体朗读歌词，这次倒是成功了，虽然朗读运用的是本人音色，但从呈现效果距离音乐确实还差点意思。
后续，小雷围绕声音进行了朗诵、念诗等测试，效果大差不差。大家可以理解为一个声音状态永远稳定的自己，能让他代替你完成许多基础性的语言工作，但呈现效果与你录制时的情感、风格和自然度有着极高的关联性。因为小雷并不是从事播音专业，因此 AI 声音的效果算不上特别好，如果用户能提供更高质量的语音素材，或许文心一言能给到更好的反馈。
总的来说，文心一言这项新功能确实给小雷带来了惊喜，在传统离线本地训练的基础上，通过文心大模型和语音合成大模型的大量语音训练，让 AI 声音无论是生成效率，还是呈现效果都能让人满意，但其个人助理的定位让其功能受到了一定限制，智能体无法提供类似唱歌等其他功能，用户也无法进一步训练 AI 声音，让 AI 声音的表现效果更接近本人。
事实上，这是所有「快餐式创建 AI 声音」的应用都会面临的问题。同样是个性化声音定制服务，通义实验室提供的服务则需要用户录制 20 句话，用于定制自己的 AI 声音，整体效果与文心一言相差不大，效果上依旧存在瓶颈，关键原因正是输入和训练的素材不够。
图源：魔搭 ModelScope
大家日常听到最多个性化定制声音的场景，应该是语音导航、文字播报或者小说阅读等方面。通常来说，从文本到声音的技术要让 AI 声音达到合格标准，需要音源人在专业录音棚录制成百上千句的数据量，高规格的定制流程将绝大多数普通人对 AI 声音的探索拒之门外。
而随着个性化语音合成（Personal TTS）技术的成熟，平台通过手机、电腦等常见录音设备获取目标的少量声音片段后，就能快速构建出目标的语音合成系统。与传统定制声音技术相比，仅需少量数据量是个性化语音合成的最大优势。
无论是文心一言，还是通义实验室，他们都只需要极少的数据量，就能给用户提供个性化声音定制服务，大大降低了语音合成的定制门槛，将 AI 声音普及给普通用户。但有得必有失，TTS 技术在降低声音定制门槛的同时，也给这项功能的上限带上了枷锁。
根据魔搭 ModelScope 提供的产品逻辑图，我们能看出 TTS 模型需要经过录音检测、数据处理、模型训练、打包合成四个阶段，最终形成我们的 AI 声音。有限的数据投喂量让 AI 声音的语言逻辑、语音语调，更多依托于已经训练完成模型数据，而用户录制的素材或许只是更多作用在声音表层，声音灵魂仍是背后的大模型数据。
作为参考，小雷又调查了本地训练声音模型的步骤。相比起文心一言、通义实验室的便捷服务，本地训练声音模型的声音效果上限要高得多，但需要付出的成本也是几何倍的增加。
首先，用户得准备一批高质量的干声音频数据、一台具备一定性能的计算机、一个 AI 声音开源项目，在经历一系列数据处理、特征提取以及 N 轮训练后，我们才能得到所需的 AI 声音。
大家光看文字描述可能觉得也就那么回事，实际上，光是音频数据的收集就是一个大工程。这决定了 AI 声音的音色、声音特征。特别要注意的是，这里的音频数据指的是目标的干声，也就是要去除掉伴奏、杂音等一切背景声，没有专业设备的用户可以通过軟體实现。
当然，如果大家嫌麻烦也可以去模型工坊网站下载已经训练好的声音模型，但肯定没有还原自己声音那么有成就感就是了。
图源：mxgf.cc
经过无上限的高强度训练后，最终就能达到前段时间互联网上比较流行的 AI 孙燕姿效果，并且用户还能自由决定 AI 声音进行朗读或唱歌等多种情景表达，不再局限于单一的表达形式。
AI 对声音的影响已经深入到各个领網域，从文字转语音，到音乐，我们见证了许多有趣的 AI 声音应用。前段时间，小雷体验了文生音频的新星—— Suno，其高效高质的音乐生成方式令不少音乐人产生危机感。尽管现阶段绝大多数的 AI 声音类模型仍存在部分缺陷，但 AIGC 重构内容产业几乎是必然。
AI 声音与 AI 音乐一样，是普通人的自我表达。AI 的作用更多是降低人们的创作门槛，令普通人也能实现幻想中的场景。目前诸多 AI 大模型还处于「孤岛」的状态，在雷科技看来，当单一的 AI 大模型发展到瓶颈阶段，可能接下来就是不同类型大模型之间的有效联动。
举个简单的例子，用户通过 ChatGPT 生成想要的歌词，由 Suno 将歌词编制成曲并赋予音乐风格，最后将自己的 AI 声音加入其中。当多个大模型建立连接，用户要做的或许就是下达一个指令，就能创作出一首专属自己的歌曲。
当然，目前 AI 大模型还是持续发展的阶段。像文心一言、通义千问等国产大模型也在不断迭代之中，此次小雷体验的个性化声音定制功能虽然在效率、质量方面已有不错的表现，但在功能多样性上还有巨大的进步空间。
或许在未来，文心一言的智能体可以突破助理定位，展现出不逊色于本地训练大模型的表现效果，届时 AI 声音这一技术也能找到更多适用的场景，给用户体验以及音频相关的行业带来带来翻天覆地的变化。
