上一次電腦和你說話是什么時(shí)候？
如果你和大多數(shù)消費(fèi)者一樣，你今天早上或許在家通過智能音箱查問天氣和新聞，或者在通勤的路上讓車載語音助手為你獲取最佳的駕駛路線。
隨著語音助手變得越來越普遍，以及語音合成(TTS)技術(shù)越發(fā)先進(jìn)，推動(dòng)了像語音克隆、無性別語音助手和更多的創(chuàng)新應(yīng)用。與此同時(shí)，我們?cè)陂_發(fā)創(chuàng)新產(chǎn)品時(shí)必須考慮科技時(shí)代的倫理規(guī)范。
通過這篇文章，Cerence的TTS開發(fā)總監(jiān)Johan Wouters解答了大家最為關(guān)心的一些問題：
人們會(huì)被TTS愚弄或誤導(dǎo)嗎？
如果集成了語音合成技術(shù)的應(yīng)用程序沒有規(guī)范用戶如何適當(dāng)使用合成音，TTS有機(jī)會(huì)被有心人濫用，存在安全隱患。其實(shí)，合成語音與人類的聲音已變得難以區(qū)分，并且有可能合成任何人的聲音；因此，應(yīng)用程序必須清楚地標(biāo)識(shí)語音是由機(jī)器合成的，以避免混淆用戶。
針對(duì)語音合成技術(shù)應(yīng)用的安全風(fēng)險(xiǎn)問題，Cerence用戶界面(UI)專家進(jìn)行了各種用戶研究，并向客戶提供UI設(shè)計(jì)方面的最佳實(shí)踐。
TTS是否可以用于不適當(dāng)?shù)哪康模?/strong>
語音合成技術(shù)發(fā)展迭代迅速，現(xiàn)階段語音合成技術(shù)已經(jīng)可以模擬人類的聲音、語氣和情感，通過機(jī)器就可以生成以假亂真的聲音。這意味著，不法分子可以將應(yīng)用程序用于詐騙的行為。
科技改變了人與人的交流方式，在信任錄音或通過免提電話與人互動(dòng)之前，你需要額外小心。正如修圖軟件的普及讓數(shù)字圖像編輯變得容易，從而直接影響了照片和視頻的真實(shí)判斷。
語音模擬并不新鮮，對(duì)于有不同意圖的人來說，應(yīng)用也變得更容易。但從專業(yè)的角度，先進(jìn)的語音技術(shù)是可以防止不當(dāng)使用，這正是我們下一個(gè)重點(diǎn)討論的話題。
Cerence是如何防止TTS技術(shù)不規(guī)范的使用？
我們與客戶保持密切聯(lián)系，其中包括所有世界領(lǐng)先的汽車制造商，并支持他們?cè)诔浞挚紤]倫理規(guī)范的情況下，讓用戶使用TTS技術(shù)以獲得更多的便利。
一般情況下，我們不會(huì)將我們的技術(shù)提供給個(gè)別開發(fā)者，因?yàn)榘l(fā)生不規(guī)范使用的可能性會(huì)較高。
作為領(lǐng)先語音技術(shù)的提供商，Cerence提供的聲紋驗(yàn)證解決方案，不僅能夠?qū)γ總€(gè)人獨(dú)特的聲紋進(jìn)行準(zhǔn)確的驗(yàn)證，還可以檢測(cè)到合成語音的使用情況。
每個(gè)人都有獨(dú)一無二的“聲紋”，這一點(diǎn)和指紋一樣。聲紋代表了特定說話者的生物特征和行為特點(diǎn)。生物特征是指說話者聲道的特性，如長短、形狀與大小，讓每個(gè)人發(fā)出不一樣的聲音。行為特點(diǎn)是指聲音的韻律特點(diǎn)，如口音、語速以及詞匯發(fā)聲與重音。
此外，Cerence正在研究音頻數(shù)字水印算法的應(yīng)用，將人耳聽不到的水印信息嵌入在TTS中，以確保我們的聲紋驗(yàn)證方案總是能夠準(zhǔn)確識(shí)別說話人的身份。未來，一些政府部門可能會(huì)要求TTS系統(tǒng)始終嵌入音頻數(shù)字水印。
在文本轉(zhuǎn)換成語音和計(jì)算機(jī)生成語音的世界中將帶來很多商機(jī)，但就像任何技術(shù)創(chuàng)新一樣，我們必須把終端用戶的倫理規(guī)范放在首位。Cerence將致力發(fā)展并繼續(xù)在這一領(lǐng)域保持領(lǐng)先的地位。
