奧巴馬罵川普「笨蛋」的視頻火了，這又得「歸功」於AI
夏乙 栗子 發自 凹非寺
量子位 出品 | 公眾號 QbitAI
一段吐槽視頻今天在美國火了。
https://www.zhihu.com/video/970013969726025728 也就半天的工夫，這段視頻在Twitter上有200多萬次播放，1300多條評論，被轉發了2萬6000多次，還收穫了5萬多個贊。
什麼視頻這麼萬人矚目？主角，是前總統奧巴馬；這麼受關注，當然是因為——內容非常勁爆，特別是這一句：
President Trump is total and complete dipshit.
「川普總統完全就是個笨蛋。」
不過，這些勁爆的話都不是奧巴馬自己說的，視頻里的聲音來自剛剛在今年的奧斯卡上以《Get Out》拿下最佳原創劇本獎的導演Jordan Peele。
他和BuzzFeed CEO Jonah Peretti一起，自導自演了這麼一出大戲，戲裡的奧巴馬，對口型能力強大到讓所有假唱精英敗下陣來。
搬出奧巴馬，就是為了向全美國（甚至全球）人民傳達視頻開頭的那句話：
「我們已經進入了這樣一個時代，我們的敵人可以做出看起來像任何人在任何時候說任何話的東西。」
未來的假新聞可能就是這個樣。
這個視頻……鵝廠不讓上傳，有興趣的同學可以自行搭梯子去Twitter看：
https://twitter.com/BuzzFeed/status/986257991799222272
視頻中，Peele還放出了奧巴馬和自己的對比環節。
右邊就是Jordan Peele，這段視頻的（部分）替身演員和聲優。視頻製作的主力工具則是Adobe AE和FakeApp。
此次的臉部搬家工作，具體是這樣的。首先，找出一段奧巴馬真正的演講視頻，將Peele的嘴粗暴地粘貼到奧巴馬臉上。然後，再把奧巴馬的下巴，換成一個可以隨著演員嘴部動作一同運動的下巴。
下一步，FakeApp登場，負責把拼貼好的視頻做一些平滑和細化處理。聽起來像是收尾工作，但這一步任重道遠。
據BuzzFeed透露，一開始搬家的效果蠢蠢的。可能用整容失敗都不足以形容。但，訓練時間長了之後，Peele的嘴部動作和奧巴馬的臉融合得越來越自然。
最後發出來的視頻，是56小時辛苦訓練、以及特效專家現場指導的結晶。
又見FakeApp
是的，又見FakeApp。
去年底，一位不願透露姓名的用戶deepfakes，利用業餘時間搞出了這個機器學習演算法，主要的功效就是兩個字：換臉。
只要給這個AI一些照片，就能出色的給視頻中的主角換臉。
後來他的網名，就成了這個技術的代名詞。作者本人透露，這個系統是基於像TensorFlow後端的Keras等多個開源庫完成的。
這個開源系統發布之後，立刻引發了轟動。國外網友在reddit上創建了專門的討論區，用來交流和發布研究成果。
簡單實用效果好，deepfakes快速流行開來。很多人開始用這個技術，把色情片主角的臉換成自己喜歡的明星。
再後來，deepfakes進化成FaceApp。
從此換臉的流程進一步簡化。FaceApp被定義為一個社區開發的桌面應用，可以運行deepfakes演算法，無需安裝Python、TensorFlow等，並且如果想要運行，僅需要「CUDA支持的高性能GPU」。
炸裂的效果引發了巨大的爭議，後來reddit上這個版塊也不得不關閉了事。
雖然互聯網公司幾乎集體封禁了deepfake相關社群，不想讓網民們再到處傳播換上赫敏臉的小片片。但是，這個技術的超低門檻軟體FakeApp悄然迭代著，目前已經到了2.2版。
這裡，我們放一段之前的演示：將希特勒的臉「嫁接」到阿根廷總統Mauricio Macri身上，體會一下效果。
關於deepfakes的應用，量子位還在另一篇報道里有過詳細的描述，傳送門在此：《不可描述，技術進步》。
無需配音
在FakeApp的幫助下，換臉這件事變得非常簡單。
那聲音怎麼辦？嚴絲合縫的聲優在哪裡？
還是讓AI來吧。
上周，有Reddit小夥伴發布了，川普演講的韓文版，是AI自動生成的。
樓下，就有韓國友人鑒定，嗯，流利得可以。
http://v.qq.com/x/page/n0632t783mk.html這還不算，會說韓文的群眾紛紛表示，美國人說韓文，基本就是這個口音。
本周，還是那個小夥伴，又放出了帶有金同志嗓音的朝式英文，AI調教成果上佳。
我們的鄰居說英語，可能是這樣的_騰訊視頻視頻那一頭的神秘團隊Icepick，到底對他們的AI做了什麼，目前並沒有相關信息公開。
不過，我們依然可以看看，AI獲得語音生成技能之前，到底需要經受怎樣的調教——
氣質如何調教
https://www.zhihu.com/video/969958810895482880
不管是谷歌娘，Siri，或是Alexa，說的話聽上去都不太像真人。這是因為，我們說話時有一些平常不容易察覺的細節，比如字與字之間的連接、呼吸聲、氣音、嘴唇碰撞時發出的聲音等等。
所以，把多個語音片段直接拼接合成 (Concatenative Synthesis) 一段話 (即鬼畜本畜)，或者用參數合成 (Statistical Parametric Synthesis) ，都很難產生非常接近人聲的語音。
第一個用神經網路來生成人類自然語音的，就是DeepMind的WaveNet。
從前，人們很少為原始音頻的聲波直接建模，因為每秒有超過16,000個採樣點，讓模型過於複雜，難於訓練。
但當PixelRNN和PixelCNN發布之後，DeepMind便有了「藉助二維圖像的處理方式，來處理一維聲波」的想法。
WaveNet是全卷積神經網路，卷積層里的擴張因子 (dilation factors) ，能讓感受野 (receptive field) 隨深度變化呈指數增長，並且覆蓋數千個時間步 (timestep)。
有了延時採樣機制，只要增加一層，就可以多關聯一倍的時間範圍，訓練效果更佳。
通過層層卷積，WaveNet便可以把PS痕迹明顯的機器語音，轉換成更加流暢自然的語音，與人類聲音之間的差異大幅降低。
嗓音如何調教
去年，Lyrebird也發布了語音合成技術，基於音色、音調、音節、停頓等多種特徵，來定義某個人的聲音，然後借用ta的聲音來說話。
據公司官方表示，通過大量的樣本學習，神經網路只需要聽一分鐘的音頻，就可以模仿裡面的陌生人說話了。Lyrebird系統生成一段語音，比同一時期的WaveNet要快得多。
口音如何調教
說一句話很容易，但語音就是一門複雜的學科了。同樣一個「啊」字從不同的人嘴裡發出來，也會因為口型大小、發音位置 (這並不是官方特徵分類) 等習慣的不同，讓身為聽眾的人類或計算機感受到差異。
百度的語音合成系統DeepVoice，可以輕鬆訓練AI合成百種英文口音。研發團隊發現，AI把不同口音的演講者，對應到嵌入空間的不同區域里。比如來自大不列顛島和北美大陸的人，在嵌入空間里佔據的區域也有明顯的不同。
如果是處理中文，什麼樣的聲線和口音，才比較適合騙大神帶你吃雞呢？
隨口一說
也有人不喜歡用政治噱頭來包裝科學研究的做法，並表達了強烈的反胃之情。
不過我倒覺得，如果有人發糖，還是要盡量分享給周圍的人。下面是正確示範——川川當選之際，和希拉里的深you情du對唱 (誤) ，無奈視頻上傳有難度，就改成了傳送門。
https://www.bilibili.com/video/av7234390/
以後，AI說不定能幫我們，把天衣無縫的南腔北調，P給鬼畜區的任何一位主角。
那麼，我心心念念的雷布斯同款仙桃普通話，感覺指日可待啊。
福利
致想看視頻又沒梯子的同學：文中提到的視頻，我們在度娘網盤傳了一份。
歡迎在量子位公眾號（QbitAI）對話界面回復「造假精英」四個字提取。
— 完 —
歡迎大家關注我們的專欄：量子位 - 知乎專欄
誠摯招聘
量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。
量子位 QbitAI · 頭條號簽約作者
?? ? 追蹤AI技術和產品新動態
推薦閱讀：
※好看的論文千篇一律，有趣的Github項目萬里挑一！
※Mathematica 歌姬計劃（2）—— 聽力訓練
※這年頭，連和尚也開始賣萌了？！
※記 2017·10·24 GeekPwn AI 仿聲驗聲攻防賽
※語音合成領域有哪些未解決的問題？