美媒：人工智能實(shí)現“聞聲識人” 但遠未達到完美

美媒稱(chēng)，人工智能(AI)現在可以做到只參考一小段音頻，就能生成一個(gè)人面部的數字圖像。

據美國趣味科學(xué)網(wǎng)站6月11日報道，科學(xué)家用網(wǎng)上數百萬(wàn)段教學(xué)視頻，對這種名為“講話(huà)到面孔”的神經(jīng)網(wǎng)絡(luò )——以類(lèi)似人腦方式“思考”的計算機——進(jìn)行了訓練，視頻內容是10萬(wàn)多個(gè)不同面孔講話(huà)的場(chǎng)景。

研究人員在一項新的研究結果中寫(xiě)道，通過(guò)這些數據集，“講話(huà)到面孔”掌握了聲音信息與人臉某些特征之間存在的關(guān)聯(lián)。然后，人工智能會(huì )利用一段音頻來(lái)塑造與語(yǔ)音匹配的擬真面孔。

這一研究結果5月23日發(fā)表在阿奇夫論文預印本網(wǎng)站上，尚未接受同行評議。

報道稱(chēng)，值得慶幸的是，人工智能(尚)不能僅憑一個(gè)人的聲音就知道他到底長(cháng)什么樣。研究報告的撰寫(xiě)者說(shuō)，該神經(jīng)網(wǎng)絡(luò )會(huì )識別講話(huà)中指向性別、年齡和種族的一些標記，這些特征是許多人共有的。

科學(xué)家在研究報告中寫(xiě)道：“如此一來(lái)，該模型只會(huì )形成普通長(cháng)相的面孔。它不會(huì )形成特定個(gè)人的形象?！?/p>

人工智能已經(jīng)證明，它可以生成準確度高得驚人的人臉，不過(guò)坦率地講，它所塑造的貓臉有點(diǎn)恐怖。

報道稱(chēng)，“講話(huà)到面孔”生成的人臉——都是面朝前方，沒(méi)什么表情——與聲音背后的人并不嚴格匹配。不過(guò)研究結果表明，它生成的形象確實(shí)經(jīng)常捕捉到了講話(huà)者正確的年齡段、種族和性別。

然而，這種算法對聲音信息的解讀還遠未達到完美。在面對不同的語(yǔ)言時(shí)，“講話(huà)到面孔”表現得好壞參半。例如，人工智能在聽(tīng)了一段亞洲人講中文的音頻后，相關(guān)程序形成了一個(gè)亞洲人的面孔。然而，據科學(xué)家說(shuō)，當同一個(gè)人在另一段音頻中用英語(yǔ)說(shuō)話(huà)時(shí)，人工智能生成了一個(gè)白人的面孔。

該算法還顯示出性別上的偏見(jiàn)，將低沉的聲音與男性面孔聯(lián)系起來(lái)，將尖細的嗓音與女性面孔聯(lián)系起來(lái)。研究人員在報告中寫(xiě)道，由于用來(lái)訓練人工智能的數據集只是YouTube網(wǎng)站上的教學(xué)視頻，因此“不能代表全世界的人口”。