OpenAI 的语音引擎可以从 15 秒的剪辑中克隆语音。自己听听

尽管该模型具有先进的功能，但 OpenAI 尚未向公众发布。原因如下。

自从发布 ChatGPT 并开创生成式 AI 时代以来，OpenAI 凭借尖端的 AI 技术（例如令人印象深刻的文本到视频生成器 Sora）保持领先地位。周五，该公司又向前迈出了一步，分享了语音引擎小规模预览版的见解，这是一种语音克隆人工智能模型，可以使用文本输入和 15 秒音频样本创建逼真、富有感情的声音。

如下面的剪辑所示，该技术可以生成听起来非常逼真的声音，与参考剪辑中的声音非常相似。人工智能语音生成器能够仅从 15 秒的样本中模仿某人的声音 - 可能会出现什么问题？

OpenAI 刚刚推出了语音引擎，
它使用文本输入和单个 15 秒音频样本来生成与原始说话者非常相似的自然语音。
参考和生成的音频非常接近，很难区分。< br>更多详情请参阅🧵 pic.twitter.com/tJRrCO2WZP

OpenAI 意识到语音克隆模型的风险，因此尽管在 2022 年末首次开发了语音引擎，但尚未向公众发布该模型。“我们认识到生成类似于人声的语音存在严重风险，这在选举年尤其受到关注，”该公司在其博客文章中表示。

2023 年，OpenAI 开始与一小群合作伙伴私下测试语音引擎，以帮助公司更多地了解该模型，包括其潜在用例、安全措施等。

测试语音引擎的合作伙伴必须同意 OpenAI 的使用政策，该政策明确禁止他们在未经原始发言者同意的情况下冒充个人或组织。其他保护措施包括向观众披露他们听到的声音是人工智能生成的、可追溯到语音引擎的水印、监控模型的使用情况以及禁止创建自己的声音。

OpenAI 的合作伙伴已采用语音引擎并开发了具有潜在积极影响的用例。

例如，教育科技初创公司 Age of Learning 使用语音引擎，通过生成预先编写的画外音内容和个性化响应，为非读者和儿童提供阅读帮助。同样，人工智能头像生成初创公司 HeyGen 在语音引擎上构建了一个工具，可以将说话者的声音翻译成多种语言。

虽然 OpenAI 目前将语音引擎保留为预览版，但其他类似的模型已经向公众开放。以 ElevenLabs 为例，这家初创公司因其人工智能语音生成平台的正面和负面用例而成为头条新闻。 ElevenLabs 技术最著名的例子可能是总统乔·拜登最近的假机器人电话，该电话鼓励选民不要出现在投票站。

ElevenLabs 语音克隆工具易于访问和使用。您所需要的只是一个 ElevenLabs 帐户、几分钟的语音样本和文本提示。

OpenAI 很聪明地推迟了进入语音克隆领域的时间。科技行业需要提高对人工智能生成声音风险的认识，并向用户强调在相信自己所听到和看到的内容之前验证消息来源的重要性。