OpenAI首次官宣語音專案，配音演員警報拉響

机器之心發表於2024-04-01
OpenAI

文字輸入和一個 15 秒的音訊樣本就能生成與原始說話者非常相似的自然聲音。


今天，OpenAI 在語音領域又帶給我們一點點震撼，透過文字輸入以及一段 15 秒的音訊示例，可以生成既自然又與原聲極為接近的語音。值得注意的是，即使是小模型，只需一個 15 秒的樣本，也能創造出富有情感且逼真的聲音。
OpenAI 將這個語音引擎命名為 Voice Engine，首次開發時間是 2022 年末，今天是 Voice Engine 預覽版的首次亮相。
圖片
下面為該語音引擎的一些早期示例，例如可以幫助使用者翻譯影片和播客等內容，輸入一段原始音訊：OpenAI首次官宣語音專案，配音演員警報拉響Voice Engine 可以翻譯成西班牙語： OpenAI首次官宣語音專案，配音演員警報拉響還能翻譯成中文： OpenAI首次官宣語音專案，配音演員警報拉響以及日語： OpenAI首次官宣語音專案，配音演員警報拉響
Voice Engine 為有語言障礙的人合成相似的聲音，使得使用者在每種口語中保持聲音一致：
輸入參考音訊：OpenAI首次官宣語音專案，配音演員警報拉響生成的音訊（英語）： OpenAI首次官宣語音專案，配音演員警報拉響生成的音訊（葡萄牙語）： OpenAI首次官宣語音專案，配音演員警報拉響
又比如，幫助患有突發性或退化性言語病症的患者說話。
原始聲音：OpenAI首次官宣語音專案，配音演員警報拉響參考聲音： OpenAI首次官宣語音專案，配音演員警報拉響生成的音訊： OpenAI首次官宣語音專案，配音演員警報拉響
令人驚訝的是，Voice Engine 並未根據使用者資料進行訓練或微調，而是透過一個擴散過程和 transformer 結合的方式 —— 從而產生語音。
OpenAI 產品員 Jeff Harris 表示，他們採用少量音訊樣本和文字，生成與原始說話者相匹配的真實語音。請求完成後，所使用的音訊將被刪除。
其實，在語音生成領域，有很多我們熟悉的公司，從 ElevenLabs 到 Replica Studios 再到 Papercup ，亞馬遜、谷歌和微軟等大型科技公司也早已佈局。
Harris 聲稱，採用 OpenAI 的方法，可以得到更好的語音質量。
在定價方面，儘管 OpenAI 在今天釋出的營銷材料中刪除了 Voice Engine 的定價資訊，但根據新聞網站 TechCrunch 訊息，Voice Engine 的定價為每一百萬字元 15 美元，這樣的定價可以覆蓋狄更斯的《霧都孤兒》，還略有餘地，相當於 18 小時的音訊，使得價格略低於每小時 1 美元。這個價格確實比 ElevenLabs 的收費便宜一些 —— 每月 100,000 字元收費 11 美元。不過，Voice Engine 目前不支援音調、音高或節奏的調整。
如果 OpenAI 的音訊工具流行起來，那麼，配音員們又將何去何從呢？要知道，ZipRecruiter 上的配音員工資從每小時 12 美元到 79 美元不等 —— 比 Voice Engine 貴很多，即使是低端的配音員，價格也不便宜。
最後又回到大家關心的安全與隱私，OpenAI 也早早考慮了這些問題，他們明確禁止未經授權來模仿任何個人或組織。與此同時，他們也開發了一系列安全措施，包括對 Voice Engine 生成的音訊加水印，主動監控使用情況等。

參考連結：

https://openai.com/blog/navigating-the-challenges-and-opportunities-of-synthetic-voices

https://techcrunch.com/2024/03/29/openai-custom-voice-engine-preview/

相關文章