三只羊卢总的录音AI到底能不能做出来？我的答案是：当然能。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
三只羊卢总的录音AI到底能不能做出来？我的答案是：当然能。
原创 数字生命卡兹克 数字生命卡兹克 2024-09-27 09:31 北京
今天凌晨，N多人给我发了一张图，说警方通报了，问我到底怎么看三只羊录音是不是AI这事。
还有朋友跟我说，有个号称国内AI第一人的，之前信誓旦旦的说这录音必不可能是AI，AI做不出来。所以这个通报背后，会不会背后是有些阴谋论？
我差点都喷了，国内AI第一人？我第一反应是院士也下场参加这种无聊的事了？
然后查了一下…哦…算了不提了。
我觉得我有必要科普一下，就是AI到底能不能做到三只羊卢总录音级别？
我可以明确的给你一个回答，是：能。
先简单说下前情提要。
三只羊跟辛巴有一段乱七八糟的风波，反正就是互相掐架，你来我往，好不热闹。
然后风波正甚时，三只羊董事长卢文庆的一段炸裂的录音被全网疯传。
就是这个，我做了删减，其中一些不雅片段我也全部消音处理了。
内容炸裂不堪入耳，信量极大且内容十分惊人，其中涉及权斗、出轨等等等，总结一下就是卢总自爆和三只羊所有女主播有过不正当的关系。还点名看不起张一鸣。。。
大概就是这么个事，然后三只羊就举报了，说这录音是AI合成的。
网上就吵得不可开交了，大部分人最大的理解就是，AI做不出来这种级别的录音，为什么？因为那个“国内AI第一人”说的。
这段录音听着很真实对吧，有情绪有方言有杂音，所以问题其实就是两个，这段录音，到底是不是AI做的？以及，AI到底能不能做到这种级别的录音？
第一个问题，今天已经有了答案，我永远无条件相信我们的公安，他们发布的通报，我也相信就是事实，这个没有任何可以争议的。所以第一个问题的答案相当明确，那就是AI做的。
那么第二个问题，最关键的来了，AI到底能不能做到这种级别的录音。
我的答案，当然能。
首先，我需要在这里科普一下，AI是个大类，而在细分里面还有很多赛道。
有语言大模型（GPT、Claude、豆包等等），有AI绘图（MJ、SD、FLUX等等），有AI音频（11Labs、SVC、GPT-Sovtis、Suno等等）、有AI视频（Runway、可灵、豆包、Pixverse等等）、有AI 3D（TripoAI、Meshy等等）。
而AI音频里，又分为AI生成音乐、AI生成音效、声音克隆。
这个录音，属于声音克隆这个赛道里面的。
所以不要说AI能做出来这个就比OpenAI比ChatGPT还要牛逼，都不是一个赛道的，有啥可比的，就像你说哇这个洗衣机洗衣服真牛逼，比那个冰箱还要牛逼。。。
而声音克隆，又分为两种：TTS（文本生成语音）、SVC（AI换声）。
TTS就是给一段一个人的人声，只要几秒几十秒的素材，就能训练一个AI模型，然后直接用文字就能生成特定人声音音频的语音合成，现在最好的开源项目应该是GPT-sovits。
SVC你就可以通俗的理解成AI换声，就是AI时代的变声器。现在AI变声器领域三个扛把子项目：So-vits-svc、RVC、DDSP。
OK，现在清楚在AI声音克隆领域，也有两种手段来实现声音伪造了吧。
TTS项目，优点是数据要求短，5秒的音频素材就行，就能克隆你的声音，后续只要给文本就能生成音频，成本极低效果极快。但是缺点就是，情绪、停顿、真实度的上限都很低，听个几十秒，就能非常轻松的听出来哦这个是AI味道。
而之前，大家觉得AI做不了卢总的音频伪造，都是先入为主的带入了TTS的思路，觉得一定是用TTS做出来的。
非常坦率的讲，TTS做卢总这种级别的音频，就我所知道的市面上公开的产品（不包括各大公司内部实验室的项目），确实有点难。
但是，思路打开，TTS做不了这个，但是SVC呢？
SVC的缺点，就是成本高，需要起步30分钟的音频数据集，然后跑几个小时的炼丹训练这个人的人声模型，最后还需要再找一个人录一段音频，再用SVC换声，把音色替换过去。
而优点就非常的直白了，这玩意能保留说话人的所有情绪、停顿、语气、方言等等等等，质量上限约等于无限，只要模型好，你根本听不出来这到底是不是AI的。
连歌声都可以无缝换声，换你个说话声音，简直就是个小case了好吧。
去年爆火的AI孙燕姿，就是拿svc做的。
我也写过好几篇关于SVC的教程。
也给大家听一下，我用SVC换声后，用我自己的声音替换李荣浩的模特的效果。
这是AI直出，我只加了背景音乐。
这就是SVC。
所以用SVC做卢总的AI音频伪造，步骤也很简单。
1. 从网上收集卢总的30分钟左右说话数据，这个很好找，毕竟他是名人。
2. 用SVC或者RVC，把卢总的声音清洗完，训练成一个AI模型。
**3. 卢总是安庆人，合肥那边安庆人很多，找一个跟他口音差不多的，把需要合成的音频自己先念一遍。
**
4. 最后用SVC的AI模型，把念完的音频替换成他的声音。
女声同理。
至此，完毕。
如果你还想听着真实一点，就用剪映啥的加点风噪环境音，太多了，随便找，你要环境音，传统音频软件能处理，当然，你也可以拿着带环境音的数据集进去训练，虽然我不推荐这么做。。。
特别是原视频那个方式，是把录音发到手机上，再用手机播放，用另一台手机来录，本身环境音就一堆了，还夹在着哥们背景笑声，乱七八糟的。这都属于场外因素了。。。
所以，回到第二个问题，AI能不能做卢总那种的伪造录音？当然能。
不要把AI想的太神话，也别把AI想的太垃圾，人工智能，很多时候是人工+智能。
现在的TTS，解决不了情绪问题，那为啥非要让AI去搞定情绪？
你人工念完了换音色不就行了？这就是人工+智能。
思路打开，不要太局限。
AI是你的助手，是辅助工具，是让你用的，不是让你啥都甩给他当甩手掌柜的。
最后，我想声明一下。
我写下这篇文章，不是让大家去知道这个技术，而去犯法，做一些法外之事，成为法外狂徒。
而是希望做一个关于AI音频的小小科普，抹平信息差，让大家知道有这么个技术，上限就在这，不要觉得AI做不到就可以掉以轻心。而是要知道，现在的AI，可以达到什么地步，什么水平。
在人工+智能的加持下，能做到什么事情。
科技的进步是不可逆的，所有人都是这巨大洪流中的一滴水，只会被裹挟着前行，知道永远比不知道好，知己知彼，方能百战不殆。
我们学习很多东西，学习AI，很多时候，是为了保护我们自己。
还有，保护我们的家人。
然后，更好的生活。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@gmail.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言