不論是電影預(yù)告片的配音員，還是地鐵上的播音員，我們的生活中都充滿了“看不到臉”的聲音。我們大多數(shù)人在聽到這些聲音的時候，可能會對背后的面容做一些簡單的設(shè)想，但麻省理工學院的一組研究人員卻做到了更進一步：他們創(chuàng)造了一個人工智能系統(tǒng)，僅僅通過聽人的聲音就可以重建人的面孔。
這個名為Speech2Face的應(yīng)用程序背后的技術(shù)原理是利用了一個深層的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)路通過觀察YouTube上數(shù)百萬人們交談的視頻，訓(xùn)練并識別聲音和面部特征之間的相關(guān)性。在此過程中，它學會了將音頻波形的不同方面與發(fā)聲者的年齡、性別、種族以及某些頭部特征聯(lián)系起來，比如像頭部的形狀和鼻子的寬度這些。
然后，當研究人員將人們的聲音錄音輸入系統(tǒng)時，系統(tǒng)能夠以合理的準確度生成每個說話者的面部圖像。顯然，發(fā)型、面部毛發(fā)以及其他一些外貌特征是無法從一個人的聲音中預(yù)測出來的，因此開發(fā)人員堅持認為，他們的目標不是預(yù)測準確面孔的可識別圖像，而是捕捉與輸入語音相關(guān)的人的主要面部特征。
在一篇發(fā)表在IEEE Xplore上的論文中，研究人員說這項技術(shù)總有一天能帶來較大的實用性，例如，不需要攝像頭就可以生成視頻通話的面孔。
話雖如此，系統(tǒng)也需要一些改進，因為Speech2Face創(chuàng)建的圖像通常與面部類型大體匹配，但有一些細微的差之處還是難以判別。該系統(tǒng)也偶爾容易出錯，比如會將大約6%的聲音生成的人臉弄錯了性別，抑或是弄錯了種族。
本文譯自 iflscience，由譯者 Imagine 基于創(chuàng)作共用協(xié)議(BY-NC)發(fā)布。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
