美媒：人工智能實(shí)現(xiàn)“聞聲識(shí)人” 但遠(yuǎn)未達(dá)到完美

美媒稱，人工智能(AI)現(xiàn)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(shù)字圖像。

據(jù)美國(guó)趣味科學(xué)網(wǎng)站6月11日?qǐng)?bào)道，科學(xué)家用網(wǎng)上數(shù)百萬(wàn)段教學(xué)視頻，對(duì)這種名為“講話到面孔”的神經(jīng)網(wǎng)絡(luò)——以類似人腦方式“思考”的計(jì)算機(jī)——進(jìn)行了訓(xùn)練，視頻內(nèi)容是10萬(wàn)多個(gè)不同面孔講話的場(chǎng)景。

研究人員在一項(xiàng)新的研究結(jié)果中寫道，通過這些數(shù)據(jù)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(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(jié)果5月23日發(fā)表在阿奇夫論文預(yù)印本網(wǎng)站上，尚未接受同行評(píng)議。

報(bào)道稱，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(zhǎng)什么樣。研究報(bào)告的撰寫者說，該神經(jīng)網(wǎng)絡(luò)會(huì)識(shí)別講話中指向性別、年齡和種族的一些標(biāo)記，這些特征是許多人共有的。

科學(xué)家在研究報(bào)告中寫道：“如此一來(lái)，該模型只會(huì)形成普通長(zhǎng)相的面孔。它不會(huì)形成特定個(gè)人的形象。”

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

報(bào)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(yán)格匹配。不過研究結(jié)果表明，它生成的形象確實(shí)經(jīng)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(duì)聲音信息的解讀還遠(yuǎn)未達(dá)到完美。在面對(duì)不同的語(yǔ)言時(shí)，“講話到面孔”表現(xiàn)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(guān)程序形成了一個(gè)亞洲人的面孔。然而，據(jù)科學(xué)家說，當(dāng)同一個(gè)人在另一段音頻中用英語(yǔ)說話時(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，將低沉的聲音與男性面孔聯(lián)系起來(lái)，將尖細(xì)的嗓音與女性面孔聯(lián)系起來(lái)。研究人員在報(bào)告中寫道，由于用來(lái)訓(xùn)練人工智能的數(shù)據(jù)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”。