【白夜谈】我原来已经被AI包围
大概半年前，我开始在短视频平台频繁听到一位小哥的配音，声线比较有代表性，就是20岁左右青春男孩又略带忧郁的声音，听起来是这样的：
我时不时就会刷到这位小哥的配音，出于职业嗅觉，我认为，应该是短视频行业兴起后，产生了大量的配音需求，所以便有MCN机构聚集起了一些声优来专门承接这种工作。看来这个小哥挺火，特别是电影解说类号，很喜欢用它来配音。
随后的一些日子里，我眼见小哥的声音出现在越来越多的短视频里，各种营销号都在找他配音，不由得感慨他们公司业务拓展之快。直到有一天，我去菜市场买菜，从菜贩子的手机也传来了熟悉的声音……
按照身边有限样本量来估算的话，这小哥每天要配音的内容也太多了，接得过来吗？我向一位朋友表达了疑惑，朋友跟我说，你再仔细听听，这些都是AI配音。
我又仔细听了一下，发现果然是AI配音，个别词语断句的时候会有微妙的不自然，但不认真听很难听出来。按照短视频的观看场景，很容易当成是真人的声音。
按照这个思路，我又把之前看过的一些其他短视频翻出来筛了一遍，发现其实之前看的很多视频都是AI配音的。即便不是那个小哥的经典声音，也是换了个别的“虚拟声优”而已，同样，它们不留心的话很难听出来。
这个发现让我很震撼。虽然这几年AI发展突飞猛进，但对于不接触开发工作的大众网友来说，平时大家能感知到的案例，要么是deepfake色图刷存在感，要么就是一些看起来高科技但和自己没什么关系的新闻，比如什么围棋/星际大赛神仙打架，AI车手在游戏里战胜世界冠军什么的。短视频的AI配音，是我第一次感到质变后的AI会如此直接地改变普通网民的内容消费和创作体验。
是的，这几年深度学习技术改变让AI的整体水平发生了质变，虽然离科幻作品里那种通用AI还有很大差距，但在图像/声音/语言方面专业方面，AI已经展现出了与5年前截然不同的水平。过去，机器合成音与真人语音天差地别，那些蹩脚的TTS语调和异常的停顿能让任何人轻易分辨出来不是真人，但现在，即便在民用领域，要分辨真假已经不那么容易——你每天接到的骚扰电话就有很大比例是AI打的，是不是还跟对方聊过几句？
当然，以假乱真的AI语音不算新鲜技术。去年7月，微软的AI小冰就曾发布过一个视频来演示他们的“超自然语音合成技术”，当时便给了观众扑面而来的技术感：
如果上面这个视频你看到结尾，会发现旁白的女声其实也是AI。但举这个例子并不是说去年这个演示有多厉害，恰恰相反，半年之后再看，这个演示已经不那么厉害了，侧面反映出了AI配音技术的应用和发展之快，从演示到商用比人们过去的习惯快了不少。
有意思的是，本文开头那个频频出现的配音小哥，最后我还真的找到了他的“本尊”。在国内一家配音平台上，有一位叫魔云熙的AI声优，他的音色与无数短视频中无异，并且提供了从“恐惧”到“欢快”等不同情绪风格供人选择。
无独有偶，在微软官方提供的“文本转语音”服务中，也有一位叫“云希”的小哥，声音与魔云熙非常相似。根据我不成熟的推测，后者大概是在前者的基础上魔改而成的。
目前这类AI配音应用最广阔的领域，是无数个“XX说电影”之类的营销号。这可能是因为电影解说类视频对配音情绪配合的要求较低，也不涉及到生僻的专有名词和中英文混用。最近很多科普号也开始加入云熙小哥的阵营——说实话，云熙的声音越来越泛滥，我已经快听出PTSD了，相信会有更多人对这个声音产生生理上的抵触。
但没关系，听厌了一种配音，就会有10种新配音出现。AI配音的大流行是个不可逆的过程，因为它实在太过廉价，而且效果比前些年好了太多，在很多时候也够用，特别是对很多草根个人创作者来说。毕竟在两年前，还有无数营销号在用效果更差的“度娘音”和“谷歌音”，现在有了更好的，为什么不用呢？
而在这个过程中，很多行业发生潜移默化的变化，游戏行业也不例外。去年有个不大不小的新闻，国外一位MOD开发者为《巫师3》制作了一个新的剧情任务包，但与普通的爱好者MOD不同的是，这个任务里的杰洛特是有配音的，而且几乎和游戏正式版无异，就像视频里演示的那样：
【角色对话从第18秒开始】
这种Mod在《巫师3》圈子里前所未有，不仅引起了大量玩家关注，也让声优们炸开了锅。因为这个Mod根本没用到人类声优，而是用杰洛特的原声进行AI训练，然后再进行语音合成，效果就好像是原版声优配音一样。
自然，这个新闻在国外引起了不小的反响，遭到很多配音演员抵制，他们表示不可接受。
然而与此同时，国外已经出现了面向游戏的AI配音平台，而中小开发者兴奋地表示这种服务将给他们的游戏开发帮上大忙……
最后说一句，其实前两年的知名RPG《天外世界》里，已经有AI参与配音了，你，听出来了吗？
