Chuyển đổi giọng nói
Chuyển đổi giọng nói sẽ biến đổi giọng nói được ghi âm của một người sao cho giống như được người khác nói, trong khi vẫn giữ nguyên từ gốc và thời gian.
Tổng quan
It is the audio equivalent of a face swap, changing who you hear without changing what is said.
Lặn sâu
Chuyển đổi giọng nói (VC) lấy âm thanh nguồn và hiển thị lại bằng giọng của người nói mục tiêu, giữ nguyên nội dung ngôn ngữ và thường là nhịp điệu. Ý tưởng cốt lõi là tách biệt điều được nói (nội dung) với người đang nói (nhận dạng người nói, nắm bắt các đặc điểm về âm sắc và cao độ), sau đó kết hợp lại nội dung của nguồn với nhận dạng của mục tiêu. Các hệ thống cổ điển cần các bản ghi âm song song của cả hai người nói cùng một câu, nhưng các phương pháp tiếp cận hiện đại là không song song và thường không có âm thanh, sao chép một giọng nói mới chỉ từ vài giây âm thanh tham chiếu. Các thiết kế phổ biến sử dụng bộ mã hóa tự động với các nút thắt thông tin (chẳng hạn như AutoVC), các tính năng nội dung tự giám sát hoặc các mạng đối thủ tổng hợp như CycleGAN-VC. Sau đó, bộ phát âm thần kinh sẽ biến các tính năng được chuyển đổi trở lại dạng sóng.
Hiểu biết kỹ thuật
Trọng tâm của VC là sự gỡ rối: tách nội dung độc lập với người nói khỏi phần nhúng của người nói. AutoVC thực thi điều này bằng một nút cổ chai có kích thước cẩn thận nhằm loại bỏ danh tính, chỉ để lại nội dung, sau đó giải mã điều kiện trên vectơ loa mục tiêu. Các phương pháp khác trích xuất nội dung từ các mô hình tự giám sát (như đơn vị HuBERT) hoặc sử dụng các biểu đồ ngữ âm. Thay vào đó, CycleGAN-VC học cách ánh xạ giữa hai giọng nói mà không có dữ liệu song song, sử dụng tính nhất quán theo chu kỳ để một chuyến đi khứ hồi sẽ trả về bản gốc.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của chuyển đổi giọng nói
Chuyển đổi giọng nói đang có xu hướng sao chép tức thì, độ chính xác cao từ vài giây âm thanh, phát trực tiếp theo thời gian thực cho các cuộc gọi trực tiếp và chơi trò chơi, đồng thời phân tách giọng, cảm xúc và nhận dạng tốt hơn để mỗi giọng nói có thể được chỉnh sửa độc lập. Nó hứa hẹn khôi phục giọng nói cho những người bị mất giọng nói và lồng tiếng liền mạch giữa các ngôn ngữ. Bởi vì công nghệ tương tự cho phép gian lận và mạo danh, nên mong đợi sự phát triển song song trong hình mờ âm thanh, phát hiện giả mạo sâu và cấp phép giọng nói dựa trên sự đồng ý.
Triển khai trong thế giới thực
Khôi phục giọng nói tự nhiên cho người bị bệnh tật, lấy đoạn ghi âm cũ làm mục tiêu
Lồng tiếng cho phim để nhân vật giữ được giọng nói nhất quán trên nhiều ngôn ngữ
Ẩn danh người nói trong bản ghi âm nhạy cảm bằng cách hoán đổi giọng nói của họ trong khi vẫn giữ nguyên lời nói
Cho phép game thủ và người phát trực tiếp nói chuyện trực tiếp bằng giọng nói của nhân vật đã chọn trong thời gian thực
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Voice Conversion quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Phát hiện hoạt động giọng nói
Câu hỏi thường gặp
What is Voice Conversion?
Chuyển đổi giọng nói sẽ biến đổi giọng nói được ghi âm của một người sao cho giống như được người khác nói, trong khi vẫn giữ nguyên từ gốc và thời gian. Nó tương đương với âm thanh của việc hoán đổi khuôn mặt, thay đổi người bạn nghe mà không thay đổi nội dung được nói.
Chuyển đổi giọng nói thay đổi gì về bản ghi âm?
Chuyển đổi giọng nói làm thay đổi nhận dạng người nói (âm sắc và đặc điểm giọng nói) trong khi vẫn giữ nguyên các từ gốc và thường là thời gian.
Khả năng cốt lõi nào cho phép hệ thống hoán đổi giọng nói trong khi vẫn giữ nguyên các từ?
VC tách biệt những gì được nói (nội dung) với người nói (nhận dạng người nói), sau đó kết hợp lại nội dung nguồn với nhận dạng của mục tiêu.
AutoVC khuyến khích mô hình loại bỏ danh tính người nói khỏi nội dung bằng cách nào?
AutoVC sử dụng một nút cổ chai có kích thước chặt chẽ để loại bỏ nhận dạng người nói, để lại phần lớn nội dung và sau đó giải mã điều kiện trên một nhúng loa mục tiêu riêng biệt.
Điều gì phân biệt tập dữ liệu chuyển đổi giọng nói 'song song' với tập dữ liệu chuyển đổi giọng nói 'không song song'?
VC song song cần các bản ghi âm được căn chỉnh của cùng một cách phát biểu từ cả hai người nói, trong khi các phương pháp không song song có thể học hỏi từ giọng nói không trùng khớp, điều này thực tế hơn nhiều để thu thập.
Chuyển đổi giọng nói 'zero-shot' có nghĩa là gì?
Zero-shot VC khái quát hóa cho các diễn giả hoàn toàn mới bằng cách sử dụng một đoạn clip tham khảo ngắn mà không cần đào tạo lại người mẫu về giọng nói đó.