人民智造2- AI音频生成技术

【导语】大家好，我是程皓楠。今日聚焦人工智能在音频领域的探索：从让机器模仿人类音色“开口说话”的AI语音合成，到掌握音乐规律“开口唱歌”的AI作曲，再到模拟多样音效的AI音效合成，人工智能正重塑音频世界，其基础原理、应用现状与未来走向值得深入探讨。

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(zhù)人(rén)工(gōng)智(zhì)能(néng)的(de)力(lì)量(liàng)，让(ràng)机(jī)器(qì)学(xué)会(huì)“开(kāi)口(kǒu)说(shuō)话(huà)”和(hé)“听(tīng)音(yīn)辨(biàn)别(bié)”。这(zhè)背(bèi)后(hòu)其(qí)实(shí)包(bāo)含(hán)两(liǎng)大(dà)类(lèi)技(jì)术(shù)，音(yīn)频(pín)生(shēng)成(chéng)技(jì)术(shù)和(hé)音(yīn)频(pín)检(jiǎn)测(cè)技(jì)术(shù)。

AI语(yǔ)音(yīn)合(hé)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？其实，工程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，从而让虚拟主播拥有接近真人(rén)的(de)语(yǔ)音(yīn)表(biǎo)现(xiàn)。

AI作(zuò)曲(qū)技(jì)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(de)动(dòng)感(gǎn)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音乐创作场景中，用户只需要给定一些参数，如音乐风格、节奏快慢、调式等，AI模型就会根据所学的知识生成相应的(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(wài)，不(bù)仅(jǐn)是(shì)模(mó)拟(nǐ)人(rén)类(lèi)说(shuō)话(huà)、唱(chàng)歌(gē)，机(jī)器(qì)还(hái)可(kě)以(yǐ)模(mó)拟(nǐ)各(gè)种(zhǒng)音(yīn)效(xiào)。比(bǐ)如(rú)自(zì)然(rán)界(jiè)的(de)风(fēng)声(shēng)、雨(yǔ)声(shēng)、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