美媒：人工智能實現“聞聲識人” 但遠未達到完美

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

據美國趣味科學網站6月11日報道，科學家用網上數百萬段教學視頻，對這種名為“講話到面孔”的神經網絡——以類似人腦方式“思考”的計算機——進行了訓練，視頻內容是10萬多個不同面孔講話的場景。

研究人員在一項新的研究結果中寫道，通過這些數據集，“講話到面孔”掌握了聲音信息與人臉某些特征之間存在的關聯。然后，人工智能會利用一段音頻來塑造與語音匹配的擬真面孔。

這一研究結果5月23日發表在阿奇夫論文預印本網站上，尚未接受同行評議。

報道稱，值得慶幸的是，人工智能(尚)不能僅憑一個人的聲音就知道他到底長什么樣。研究報告的撰寫者說，該神經網絡會識別講話中指向性別、年齡和種族的一些標記，這些特征是許多人共有的。

科學家在研究報告中寫道：“如此一來，該模型只會形成普通長相的面孔。它不會形成特定個人的形象。”

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

報道稱，“講話到面孔”生成的人臉——都是面朝前方，沒什么表情——與聲音背后的人并不嚴格匹配。不過研究結果表明，它生成的形象確實經常捕捉到了講話者正確的年齡段、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。在面對不同的語言時，“講話到面孔”表現得好壞參半。例如，人工智能在聽了一段亞洲人講中文的音頻后，相關程序形成了一個亞洲人的面孔。然而，據科學家說，當同一個人在另一段音頻中用英語說話時，人工智能生成了一個白人的面孔。

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