僅需3.7秒的音頻，中國科技巨頭百度開發的一種新的AI算法就可以克隆出一種非常可信的虛假聲音。就像機器學習軟件的迅速發展一樣，這種軟件可以使虛擬視頻的制作民主化，這項研究表明為什么越來越難相信互聯網上的任何媒體。

這家科技巨頭的研究人員在Deep Voice發布了他們的最新進展，Deep Voice是一個為聲音克隆開發的系統。一年前，該技術需要大約30分鐘的音頻來創建新的假音頻片段。現在，只需幾秒鐘的培訓材料，它可以創造出更好的結果。

百度近日宣布，百度開發的新 AI 算法Deep Voice可以通過3.7秒鐘的錄音樣本數據就能完美的克隆出一個人的聲音。

Deep Voice是百度AI研究院一個由深度神經網絡構建的高質量語音轉（TTS ）系統。該系統不僅提高的模擬的時間，百度還優化了它出錯的概率。甚至還在一個單GPU服務器上，把推斷規模提高到到每天1000萬次以上。

自適應說話人編碼方法在訓練、克隆和音頻生成中的應用

Deep Voice最早是在2017年的年初發布了第一版，初版的系統就能模擬初簡短的句子，而且說起話來幾乎無法區分和真人的區別。但是該系統一次只能模擬一個人的聲音，而且需要好幾個小時的學習才能克隆成功。但是最新發布的成功已經縮短到3.7秒，并且能將女性聲音轉變成男性，英式聲音變成美式。

模擬器編碼器結構

百度研究院的研究人員在預印本網站 arxiv 上的發表了其 Deep Voice 系統的最新進展《Neural Voice Cloning with a Few Samples》。除了利用少量樣本克隆聲音外，系統還能將女性聲音轉變成男性，英式聲音變成美式。百度研究人員表示，這項研究可應用于人機交互的個性化方面。