史蒂芬·霍金的「機械電音」，也許是世界上其中一個最有辨識度的聲音。
但那並不是霍金自己的聲音。
在霍金因漸凍症（ALS）失去説話能力的年代，技術還不足以讓他能生成自己聲音。事實上，能用上語音合成器的人都屈指可數。
到了今天，ALS 患者雖然有了更多語音合成的選擇，但總體費用和時間門檻仍然不低，普及度也有限。
最近，蘋果公佈了全新無障礙功能 Personal Voice（暫未上線），不僅讓用户能免費「備份」自己的聲音，同時還在安全地應用 AI 技術上，作出了一次有意思的嘗試。
只需 15 分鐘「調教」，就能生成你的聲音
▲ 圖自 Fastcompany
在生成式 AI 可以模仿一切的時代裏，用 AI 模仿一個人的聲音聽起來已經不算新奇，只是感覺有點安全隱患。
我好奇的，更多是蘋果要怎樣安全和高效地實現 Personal Voice 這一功能。
據介紹，iPhone、iPad 和 Mac 用户只需要根據提示錄製 15 分鐘的音頻，蘋果就會基於設備端的機器學習技術來生成和用户一樣的聲音。
相比之下，為失語羣體提供專業語音合成服務的公司，可能需要採用專業設備，錄製幾小時的語音素材，價格最低都要數百美元。
另一項新無障礙功能 Live Speech，則支持用户打電話、FaceTime 或者是和他人面對面對話的時候，輸入文字即可生成語音內容，為失語或不方便説話的用户提供另一種「發聲」方式。
結合 Personal Voice 和 Live Speech 兩項功能，失語用户就能用接近自己原本聲音的生成聲音和他人溝通。
用起來是方便了，但怎樣避免有人用網上扒的語音素材來生成他人的聲音？
在錄製 15 分鐘語音素材的過程中，蘋果將隨機生成需要用户朗讀的內容，減少他人猜中素材的可能性。
在錄製過程中，用户需要在距離設備 6-10 英寸（約 15- 25 釐米）的特定空間裏完成錄製。
在生成過程中，所有數據都將通過蘋果的 Neural Engine（神經引擎）在設備本地完成，不必要上傳到雲處理。
語音合成後，第三方應用如果想使用 Personal Voice，都要獲得用户明確授權。
即便第三方應用獲得授權使用時，蘋果也會採用額外的背景保護，確保第三方應用無法獲取 Personal Voice 以及用户之前所錄製的語音素材。
如果是蘋果「全家桶」用户，生成自己的 Personal Voice 後還能通過 iCloud 同步到不同設備上，並以端對端的方式加密。
自己的聲音，失去了才懂多重要
人是感性的生物，而聲音是很強烈的情感觸發器。
有研究指出，當人在聽到母親的聲音時，身體釋放出催產素水平和跟媽媽擁抱時產生的程度很相似。另一個研究則指出，聽到自己的聲音，會增強一個人的自我能動性。
這聽起來有點抽象。
但當我們失去它時，重要性就變得顯而易見了。
2021 年 3 月，Ruth Brunton 被確診 ALS。那年聖誕，她就已經失語了。
ALS 患者中，約有 25% 的人患的是「延髓起病型」肌萎縮側索硬化症，主要表現是説話障礙或吞嚥困難。這類病人説話會逐漸變得含糊、帶有鼻音，甚至失語。
Brunton 的行動很果斷，確診後馬上找公司去做語音生成。
來回花了一個月時間，錄了 3000 多個句子的語料，但最後出來的結果並不理想。
那家公司用的是一種名為「單元選擇（unit selection）」技術。
簡單粗暴來説，它就是通過「拼接」來實現語音生成，把語料拆分為大量小的語音單元，然後按需把元素拼起來。
▲單元選擇技術下，「Bob」這一詞語能被拆分成不同語音元素，圖自《華盛頓郵報》
這種技術生成的語音能聽清，但會有點電音，聽起來不太自然。
結果就是，Brunton 錄製的語料結合了微軟一個名為「Heather」的聲音，不但聲音和自己毫不相似，甚至逼着這英國人「講」起了美語口音。
document.createElement('audio');
https://s3.ifanr.com/wp-content/uploads/2023/06/real-ruth.m4a
▲ Brunton 自己真實的聲音
https://s3.ifanr.com/wp-content/uploads/2023/06/heather.m4a
▲ 合成版 Brunton 的聲音
困在這個聲音裏，Brunton「只會在必要的時候説話，不再是因為想説話而説話」。
從前和丈夫打鬧聊天的心情消失了，Brunton 也不怎麼願意參加多人對話。
即便是説「我愛你」，用一個不像自己的聲音來説，意義也似乎被削弱了。
六個月後， Brunton 和丈夫爭取回了最初錄製的語音素材，找了另一家公司，用 AI 技術合成了一個更像她自己的聲音：
在波士頓兒童醫院負責「增強溝通」項目的 John M. Costello 留意到，那些採用了更真實生成語音的病人，似乎更能夠和親近的人建立深厚的聯結。
2022 年聖誕節，「重獲新聲」的 Brunton 還用語音錄製的一段節日祝語。
https://s3.ifanr.com/wp-content/uploads/2023/06/ruth.m4a
▲ Ruth 覺得新的合成聲音更像自己
然而，聖誕剛過，Brunton 就染上了新冠，最後在今年 2 月離世了。
她離開的那晚，丈夫 David 一整夜都握着她的手：
難以想象，如果 Brunton 後來沒換上更像自己的聲音，她又是否能自在地説出想説的一切。
無障礙思維點亮靈感，AI 燃起生產力
我一直認為，無障礙設計所挖掘的，其實就是人類多樣性創造的想象力資源。
我們去到和自己有着截然不同生活體驗的人面前，聆聽更少被訴説的故事和體驗，創造出我們之前沒想象過，但卻能對更多人友好的的新生活方式。
Personal Voice 能讓失語的 ALS 患者重新獲得自己的聲音；也可以幫助在經歷「刀片嗓」的我用自己的聲音去和其他人對話；甚至，我也很難避免會去想象，是否應該用這為自己「備份」聲音留給親近的人，以免哪天自己會突然離世。
而 AI 技術，就是實現這些想象力生產力。
正如杜編輯之前説的，雖然不趕生成式 AI 的熱鬧，但蘋果一直都把 AI 用來提升用户體驗 —— 提升效率，保護隱私。
提升效率，在於提升本地執行的機器學習算法和模型。
除了 Personal Voice 以外，蘋果這次預覽的另一個無障礙功能 Point and Speak 也採用了本地設備端的機器學習技術。
未來，視障用户在 iPhone 自帶的放大器裏，結合 Point and Speak 和旁白功能，就能憑自己手指把 iPhone 變成「點讀機」—— 點到哪兒，讓 iPhone 給你把文字讀到哪兒。
去年的「門檢測」功能道理也類似，讓設備端的機器學習幫視障用户識別出門，並朗讀出門上面的信息和周圍的標識。
至於隱私，按喬布斯説的，就是 「如果你需要他們（用户）的數據，那就向他們（用户）請求。每一次都如此。」
這在無障礙設計方面也尤其重要 —— 因為這些功能設計起源就是服務被所謂「常規設計」忽略的人，常常都是更弱勢的羣體，因此更有必要確保這些用户的隱私不受侵害。
在這個語境下，我們也可開啓更多關於數據應用權和透明度的討論。
蘋果這次做 Personal Voice 時，和幫助 ALS 患者的非盈利機構 Team Gleason Foundation 合作。
▲ Team Gleason Foundation CEO Blair Casey（右）
該機構的 CEO Blair Casey 一直也在推動語音生成公司設定一套標準錄製素材設定，讓用户能直接錄這部分素材，並體驗不同公司生成出來的語音效果，而不是像現在一樣「盲賭」。
同時，Casey 也主張語音生成公司把用户錄製的語音素材數據提供給用户（因為很多用户可能錄製後就失語了），以免他們未來想把這些數據用在其他技術上：
但是，這力該怎麼使，也許以人為本的無障礙設計能給它不少指引。
資料來源：愛範兒（ifanr）
但那並不是霍金自己的聲音。
在霍金因漸凍症（ALS）失去説話能力的年代，技術還不足以讓他能生成自己聲音。事實上，能用上語音合成器的人都屈指可數。
到了今天，ALS 患者雖然有了更多語音合成的選擇，但總體費用和時間門檻仍然不低，普及度也有限。
最近，蘋果公佈了全新無障礙功能 Personal Voice（暫未上線），不僅讓用户能免費「備份」自己的聲音，同時還在安全地應用 AI 技術上，作出了一次有意思的嘗試。
只需 15 分鐘「調教」，就能生成你的聲音
▲ 圖自 Fastcompany
在生成式 AI 可以模仿一切的時代裏，用 AI 模仿一個人的聲音聽起來已經不算新奇，只是感覺有點安全隱患。
我好奇的，更多是蘋果要怎樣安全和高效地實現 Personal Voice 這一功能。
據介紹，iPhone、iPad 和 Mac 用户只需要根據提示錄製 15 分鐘的音頻，蘋果就會基於設備端的機器學習技術來生成和用户一樣的聲音。
相比之下，為失語羣體提供專業語音合成服務的公司，可能需要採用專業設備，錄製幾小時的語音素材，價格最低都要數百美元。
另一項新無障礙功能 Live Speech，則支持用户打電話、FaceTime 或者是和他人面對面對話的時候，輸入文字即可生成語音內容，為失語或不方便説話的用户提供另一種「發聲」方式。
結合 Personal Voice 和 Live Speech 兩項功能，失語用户就能用接近自己原本聲音的生成聲音和他人溝通。
用起來是方便了，但怎樣避免有人用網上扒的語音素材來生成他人的聲音？
- 素材隨機化。
在錄製 15 分鐘語音素材的過程中，蘋果將隨機生成需要用户朗讀的內容，減少他人猜中素材的可能性。
- 物理距離屏障。
在錄製過程中，用户需要在距離設備 6-10 英寸（約 15- 25 釐米）的特定空間裏完成錄製。
在生成過程中，所有數據都將通過蘋果的 Neural Engine（神經引擎）在設備本地完成，不必要上傳到雲處理。
語音合成後，第三方應用如果想使用 Personal Voice，都要獲得用户明確授權。
即便第三方應用獲得授權使用時，蘋果也會採用額外的背景保護，確保第三方應用無法獲取 Personal Voice 以及用户之前所錄製的語音素材。
如果是蘋果「全家桶」用户，生成自己的 Personal Voice 後還能通過 iCloud 同步到不同設備上，並以端對端的方式加密。
自己的聲音，失去了才懂多重要
人是感性的生物，而聲音是很強烈的情感觸發器。
有研究指出，當人在聽到母親的聲音時，身體釋放出催產素水平和跟媽媽擁抱時產生的程度很相似。另一個研究則指出，聽到自己的聲音，會增強一個人的自我能動性。
這聽起來有點抽象。
但當我們失去它時，重要性就變得顯而易見了。
2021 年 3 月，Ruth Brunton 被確診 ALS。那年聖誕，她就已經失語了。
ALS 患者中，約有 25% 的人患的是「延髓起病型」肌萎縮側索硬化症，主要表現是説話障礙或吞嚥困難。這類病人説話會逐漸變得含糊、帶有鼻音，甚至失語。
Brunton 的行動很果斷，確診後馬上找公司去做語音生成。
來回花了一個月時間，錄了 3000 多個句子的語料，但最後出來的結果並不理想。
那家公司用的是一種名為「單元選擇（unit selection）」技術。
簡單粗暴來説，它就是通過「拼接」來實現語音生成，把語料拆分為大量小的語音單元，然後按需把元素拼起來。
▲單元選擇技術下，「Bob」這一詞語能被拆分成不同語音元素，圖自《華盛頓郵報》
這種技術生成的語音能聽清，但會有點電音，聽起來不太自然。
結果就是，Brunton 錄製的語料結合了微軟一個名為「Heather」的聲音，不但聲音和自己毫不相似，甚至逼着這英國人「講」起了美語口音。
document.createElement('audio');
https://s3.ifanr.com/wp-content/uploads/2023/06/real-ruth.m4a
▲ Brunton 自己真實的聲音
https://s3.ifanr.com/wp-content/uploads/2023/06/heather.m4a
▲ 合成版 Brunton 的聲音
困在這個聲音裏，Brunton「只會在必要的時候説話，不再是因為想説話而説話」。
從前和丈夫打鬧聊天的心情消失了，Brunton 也不怎麼願意參加多人對話。
即便是説「我愛你」，用一個不像自己的聲音來説，意義也似乎被削弱了。
六個月後， Brunton 和丈夫爭取回了最初錄製的語音素材，找了另一家公司，用 AI 技術合成了一個更像她自己的聲音：
引用這聽起來也許有點傻，但重新獲得自己的聲音讓我更有自信了。
在波士頓兒童醫院負責「增強溝通」項目的 John M. Costello 留意到，那些採用了更真實生成語音的病人，似乎更能夠和親近的人建立深厚的聯結。
2022 年聖誕節，「重獲新聲」的 Brunton 還用語音錄製的一段節日祝語。
https://s3.ifanr.com/wp-content/uploads/2023/06/ruth.m4a
▲ Ruth 覺得新的合成聲音更像自己
然而，聖誕剛過，Brunton 就染上了新冠，最後在今年 2 月離世了。
她離開的那晚，丈夫 David 一整夜都握着她的手：
引用我們有兩年時間來告別。
我們説好了，我們要説盡一切我們想説的。
難以想象，如果 Brunton 後來沒換上更像自己的聲音，她又是否能自在地説出想説的一切。
無障礙思維點亮靈感，AI 燃起生產力
我一直認為，無障礙設計所挖掘的，其實就是人類多樣性創造的想象力資源。
我們去到和自己有着截然不同生活體驗的人面前，聆聽更少被訴説的故事和體驗，創造出我們之前沒想象過，但卻能對更多人友好的的新生活方式。
Personal Voice 能讓失語的 ALS 患者重新獲得自己的聲音；也可以幫助在經歷「刀片嗓」的我用自己的聲音去和其他人對話；甚至，我也很難避免會去想象，是否應該用這為自己「備份」聲音留給親近的人，以免哪天自己會突然離世。
而 AI 技術，就是實現這些想象力生產力。
正如杜編輯之前説的，雖然不趕生成式 AI 的熱鬧，但蘋果一直都把 AI 用來提升用户體驗 —— 提升效率，保護隱私。
提升效率，在於提升本地執行的機器學習算法和模型。
除了 Personal Voice 以外，蘋果這次預覽的另一個無障礙功能 Point and Speak 也採用了本地設備端的機器學習技術。
未來，視障用户在 iPhone 自帶的放大器裏，結合 Point and Speak 和旁白功能，就能憑自己手指把 iPhone 變成「點讀機」—— 點到哪兒，讓 iPhone 給你把文字讀到哪兒。
去年的「門檢測」功能道理也類似，讓設備端的機器學習幫視障用户識別出門，並朗讀出門上面的信息和周圍的標識。
至於隱私，按喬布斯説的，就是 「如果你需要他們（用户）的數據，那就向他們（用户）請求。每一次都如此。」
這在無障礙設計方面也尤其重要 —— 因為這些功能設計起源就是服務被所謂「常規設計」忽略的人，常常都是更弱勢的羣體，因此更有必要確保這些用户的隱私不受侵害。
在這個語境下，我們也可開啓更多關於數據應用權和透明度的討論。
蘋果這次做 Personal Voice 時，和幫助 ALS 患者的非盈利機構 Team Gleason Foundation 合作。
▲ Team Gleason Foundation CEO Blair Casey（右）
該機構的 CEO Blair Casey 一直也在推動語音生成公司設定一套標準錄製素材設定，讓用户能直接錄這部分素材，並體驗不同公司生成出來的語音效果，而不是像現在一樣「盲賭」。
同時，Casey 也主張語音生成公司把用户錄製的語音素材數據提供給用户（因為很多用户可能錄製後就失語了），以免他們未來想把這些數據用在其他技術上：
引用如果更好的技術出來了，你會不想試一試嗎？AI 也許是我們時代最強的生產力。
如果你沒法拿回自己的語音素材，你就沒法去試。
但是，這力該怎麼使，也許以人為本的無障礙設計能給它不少指引。
資料來源：愛範兒（ifanr）
請按此登錄後留言。未成為會員? 立即註冊