欢迎关注“创事记”的微信订阅号：sinachuangshiji
文/夏乙 栗子
来源：量子位（ID：QbitAI）
一段吐槽视频今天在美国火了。
也就半天的工夫，这段视频在Twitter上有200多万次播放，1300多条评论，被转发了2万6000多次，还收获了5万多个赞。
什么视频这么万人瞩目？主角，是前总统奥巴马；这么受关注，当然是因为——内容非常劲爆，特别是这一句：
President Trump is total and complete dipshit。
“川普总统完全就是个笨蛋。”
不过，这些劲爆的话都不是奥巴马自己说的，视频里的声音来自刚刚在今年的奥斯卡上以《Get Out》拿下最佳原创剧本奖的导演Jordan Peele。
他和BuzzFeed CEO Jonah Peretti一起，自导自演了这么一出大戏，戏里的奥巴马，对口型能力强大到让所有假唱精英败下阵来。
搬出奥巴马，就是为了向全美国（甚至全球）人民传达视频开头的那句话：
“我们已经进入了这样一个时代，我们的敌人可以做出看起来像任何人在任何时候说任何话的东西。”
未来的假新闻可能就是这个样。
这个视频……鹅厂不让上传，有兴趣的同学可以自行搭梯子去Twitter看：
视频中，Peele还放出了奥巴马和自己的对比环节。
右边就是Jordan Peele，这段视频的（部分）替身演员和声优。视频制作的主力工具则是Adobe AE和FakeApp。
此次的脸部搬家工作，具体是这样的。首先，找出一段奥巴马真正的演讲视频，将Peele的嘴粗暴地粘贴到奥巴马脸上。然后，再把奥巴马的下巴，换成一个可以随着演员嘴部动作一同运动的下巴。
下一步，FakeApp登场，负责把拼贴好的视频做一些平滑和细化处理。听起来像是收尾工作，但这一步任重道远。
据BuzzFeed透露，一开始搬家的效果蠢蠢的。可能用整容失败都不足以形容。但，训练时间长了之后，Peele的嘴部动作和奥巴马的脸融合得越来越自然。
最后发出来的视频，是56小时辛苦训练、以及特效专家现场指导的结晶。
又见FakeApp
是的，又见FakeApp。
去年底，一位不愿透露姓名的用户deepfakes，利用业余时间搞出了这个机器学习算法，主要的功效就是两个字：换脸。
只要给这个AI一些照片，就能出色的给视频中的主角换脸。
后来他的网名，就成了这个技术的代名词。作者本人透露，这个系统是基于像TensorFlow后端的Keras等多个开源库完成的。
这个开源系统发布之后，立刻引发了轰动。国外网友在reddit上创建了专门的讨论区，用来交流和发布研究成果。
简单实用效果好，deepfakes快速流行开来。很多人开始用这个技术，把色情片主角的脸换成自己喜欢的明星。
再后来，deepfakes进化成FaceApp。
从此换脸的流程进一步简化。FaceApp被定义为一个社区开发的桌面应用，可以运行deepfakes算法，无需安装Python、TensorFlow等，并且如果想要运行，仅需要“CUDA支持的高性能GPU”。
△ 换脸的训练过程
炸裂的效果引发了巨大的争议，后来reddit上这个版块也不得不关闭了事。
虽然互联网公司几乎集体封禁了deepfake相关社群，不想让网民们再到处传播换上赫敏脸的小片片。但是，这个技术的超低门槛软件FakeApp悄然迭代着，目前已经到了2.2版。
这里，我们放一段之前的演示：将希特勒的脸“嫁接”到阿根廷总统Mauricio Macri身上，体会一下效果。
关于deepfakes的应用，量子位还在另一篇报道里有过详细的描述，传送门在此：《不可描述，技术进步》。
无需配音
在FakeApp的帮助下，换脸这件事变得非常简单。
那声音怎么办？严丝合缝的声优在哪里？
还是让AI来吧。
上周，有Reddit小伙伴发布了，川普演讲的韩文版，是AI自动生成的。
楼下，就有韩国友人鉴定，嗯，流利得可以。
这还不算，会说韩文的群众纷纷表示，美国人说韩文，基本就是这个口音。
本周，还是那个小伙伴，又放出了带有you-know-who嗓音的韩式英文，AI调教成果上佳。
视频那一头的神秘团队Icepick，到底对他们的AI做了什么，目前并没有相关信息公开。
△ 耳朵会怀孕
不过，我们依然可以看看，AI获得语音生成技能之前，到底需要经受怎样的调教——
气质如何调教
不管是谷歌娘，Siri，或是Alexa，说的话听上去都不太像真人。这是因为，我们说话时有一些平常不容易察觉的细节，比如字与字之间的连接、呼吸声、气音、嘴唇碰撞时发出的声音等等。
所以，把多个语音片段直接拼接合成 （Concatenative Synthesis） 一段话 （即鬼畜本畜），或者用参数合成 （Statistical Parametric Synthesis） ，都很难产生非常接近人声的语音。
第一个用神经网络来生成人类自然语音的，就是DeepMind的WaveNet。
从前，人们很少为原始音频的声波直接建模，因为每秒有超过16，000个采样点，让模型过于复杂，难于训练。
但当PixelRNN和PixelCNN发布之后，DeepMind便有了“借助二维图像的处理方式，来处理一维声波”的想法。
WaveNet是全卷积神经网络，卷积层里的扩张因子 （dilation factors） ，能让感受野 （receptive field） 随深度变化呈指数增长，并且覆盖数千个时间步 （timestep）。
有了延时采样机制，只要增加一层，就可以多关联一倍的时间范围，训练效果更佳。
△ 你听得出，我不是人吗
通过层层卷积，WaveNet便可以把PS痕迹明显的机器语音，转换成更加流畅自然的语音，与人类声音之间的差异大幅降低。
嗓音如何调教
去年，Lyrebird也发布了语音合成技术，基于音色、音调、音节、停顿等多种特征，来定义某个人的声音，然后借用ta的声音来说话。
据公司官方表示，通过大量的样本学习，神经网络只需要听一分钟的音频，就可以模仿里面的陌生人说话了。Lyrebird系统生成一段语音，比同一时期的WaveNet要快得多。
口音如何调教
说一句话很容易，但语音就是一门复杂的学科了。同样一个“啊”字从不同的人嘴里发出来，也会因为口型大小、发音位置 （这并不是官方特征分类） 等习惯的不同，让身为听众的人类或计算机感受到差异。
△ 给你，销魂的伦敦腔
百度的语音合成系统DeepVoice，可以轻松训练AI合成百种英文口音。研发团队发现，AI把不同口音的演讲者，对应到嵌入空间的不同区域里。比如来自大不列颠岛和北美大陆的人，在嵌入空间里占据的区域也有明显的不同。
△ 简单的原理：英男 + 均美 +均英 = 美男
如果是处理中文，什么样的声线和口音，才比较适合骗大神带你吃鸡呢？
随口一说
△ 你个火·箭男
也有人不喜欢用政治噱头来包装科学研究的做法，并表达了强烈的反胃之情。
不过我倒觉得，如果有人发糖，还是要尽量分享给周围的人。下面是正确示范——川川当选之际，和希拉里的深you情du对唱 （误）。
以后，AI说不定能帮我们，把天衣无缝的南腔北调，P给鬼畜区的任何一位主角。
那么，我心心念念的雷布斯同款仙桃普通话，感觉指日可待啊。
