五分钟示范“教会”演员说外语,还可无缝切换语种,这家 AI 配音公司刚获 2000 万美元 A 轮融资

2022/2/19 16:30:41 来源:量子位 作者:关注前沿科技 责编:潇公子

只需要演员五分钟的声音素材,就可以让他在电影里说另外一种语言?

在没看到这段视频之前我是不相信的,来听听这段效果如何:

这段视频取自《博多之子》(英文名 Every Time I Die),是一部英文惊悚片。

但是我们在播放中可以看到,只需要一键点击,就可以在任意时刻把英语转换为西班牙语,并且听起来还是原演员的声音。连说话中惊恐、颤抖的细节也忠实地继承了下来,给我们展示了一把 AI 配音的神奇力量。当然,这波操作也不出意外地打动了许多投资人。

制作这段内容的公司 Deepdub (深度配音),最近就在 A 轮融资中拿到了 2000 万美元。投资人中还包括福克斯电视工作室前总裁、Snyk 的联合创始人、Meta 的工程副总裁等。

AI 配音冲击传统模式

AI 配音何以这么受期待呢?因为这其中蕴含了巨大的商机。要知道,像在美国等地的英语观众是没有看字幕的习惯的。因此,面对一些非英语的优秀作品,他们有很强的本土化需求,也就是英文配音版本。例如前段时间爆火的韩剧《鱿鱼游戏》,在首映 28 天内,总观看时间就达到 16.5 亿小时,加起来相当于 18.2 万年。一举成为 Netflix 史上排名第一的节目。可是这么大一块蛋糕,从传统的角度来说,吃起来却相当费劲。

△图注:《鱿鱼游戏》播放量,右栏第一排

例如,本地的发行商得花钱翻译剧本吧,得聘请配音演员扮演角色、租场地设备、完成大量的配音录制吧,最后还要把配音拼接到原视频中。这里面还面临着很多文化差异。这一套下来,按照行情怎么说也要 15-20 周。

而 Deepdub 的 AI 配音方法只需要原演员录制五分钟的随机文本,让神经网络学习演员的声音然后用另一种语言表达出来。听起来就像原演员学会了另一种语言,并且时间上只用四周就可以完成相同的工作量,包括翻译、改编、混音等过程。在技术细节方面,Deepdub 没有公开太多,或许可以用在 GitHub 上大火的 Mocking Bird 做参考。只需要五秒钟,就可以克隆任意的中文语音,再用同一音色合成其他语音内容,实现从语音到文本再到语音的过程。模型结构主要由说话人编码器(Speaker encoder)、合成器(Synthesizer)和声码器(Vocoder)组成。

其中说话人编码器(绿色)负责提取说话人语音的特征向量,学习音色。然后再执行传统的 TTS(Text-to-Speech)环节:在合成器(蓝色)中把语音特征融入指定文本,以梅尔频谱为中间变量,将生成的语音频谱传给声码器(红色)。

最后使用深度自回归模型 WaveNet 作为声码器,用频谱生成最终的语音。不过,Deepdub 虽没有透露自己的技术细节,但是他们声称已经在这个学术研究领域处于领先地位。这么说也是有些可信度的,从他们的产品、获得的投资和兄弟创始人背景中也能看出来:弟弟 Nir Krakowski 有 25 年的专业研发经验,哥哥 Ofir Krakowski 还曾在以色列空军机器学习部门任职……

AI 配音赛道多家竞速

当然,看上这块市场的也不止 Deepdub 一家,只是策略上有些不同。Deepdub 走的是修改音频的路,视频内容原封不动。他们打算将用这轮融资的钱扩充团队的营销、研究和工程部门,并且正在和好莱坞谈合作。

英国公司 Papercup 采取的方法和 Deepdub 类似,也是专注于音频,通过机翻重新部署原演员的声音,使用合成声,保持视频不变。而另一家 Flawless 在音频上还依靠配音演员,但是会编辑视频中的人脸和口型,看起来更像是在说目标语言。

像其他的,还有亚马逊等科技巨头也在做相关的研究,但是现在还没有产品出来。这么看来,或许我们将来真的可以造出视频界的“巴别塔”,在网剧这块做到无障碍交流。又或者,某些个别演员真的不用背台词了?

相关文章

关键词:配音视频语音

软媒旗下网站: IT之家 辣品 - 超值导购,优惠券 最会买 - 返利返现优惠券 iPhone之家 Win7之家 Win10之家 Win11之家

软媒旗下软件: 魔方 云日历 酷点桌面 Win7优化大师 Win10优化大师 软媒手机APP应用