只需15分钟 iPhone 就能“复制”你的声音

到了今天，ALS 患者虽然有了更多语音合成的选择，但总体费用和时间门槛仍然不低，普及度也有限。

最近，苹果公布了全新无障碍功能 Personal Voice(暂未上线)，不仅让用户能免费“备份”自己的声音，同时还在安全地应用 AI 技术上，作出了一次有意思的尝试。

只需 15 分钟“调教”，就能生成你的声音

在生成式 AI 可以模仿一切的时代里，用 AI 模仿一个人的声音听起来已经不算新奇，只是感觉有点安全隐患。

我好奇的，更多是苹果要怎样安全和高效地实现 Personal Voice 这一功能。

据介绍，iPhone、iPad 和 Mac 用户只需要根据提示录制 15 分钟的音频，苹果就会基于设备端的机器学习技术来生成和用户一样的声音。

相比之下，为失语群体提供专业语音合成服务的公司，可能需要采用专业设备，录制几小时的语音素材，价格最低都要数百美元。

另一项新无障碍功能 Live Speech，则支持用户打电话、FaceTime 或者是和他人面对面对话的时候，输入文字即可生成语音内容，为失语或不方便说话的用户提供另一种“发声”方式。

结合 Personal Voice 和 Live Speech 两项功能，失语用户就能用接近自己原本声音的生成声音和他人沟通。

用起来是方便了，但怎样避免有人用网上扒的语音素材来生成他人的声音?

素材随机化。

在录制 15 分钟语音素材的过程中，苹果将随机生成需要用户朗读的内容，减少他人猜中素材的可能性。

物理距离屏障。

在录制过程中，用户需要在距离设备 6-10 英寸(约 15- 25 厘米)的特定空间里完成录制。

在生成过程中，所有数据都将通过苹果的 Neural Engine(神经引擎)在设备本地完成，不必要上传到云处理。

语音合成后，第三方应用如果想使用 Personal Voice，都要获得用户明确授权。

即便第三方应用获得授权使用时，苹果也会采用额外的背景保护，确保第三方应用无法获取 Personal Voice 以及用户之前所录制的语音素材。

如果是苹果“全家桶”用户，生成自己的 Personal Voice 后还能通过 iCloud 同步到不同设备上，并以端对端的方式加密。

自己的声音，失去了才懂多重要

人是感性的生物，而声音是很强烈的情感触发器。

有研究指出，当人在听到母亲的声音时，身体释放出催产素水平和跟妈妈拥抱时产生的程度很相似。另一个研究则指出，听到自己的声音，会增强一个人的自我能动性。

这听起来有点抽象。

但当我们失去它时，重要性就变得显而易见了。

2021 年 3 月，Ruth Brunton 被确诊 ALS。那年圣诞，她就已经失语了。

ALS 患者中，约有 25% 的人患的是“延髓起病型”肌萎缩侧索硬化症，主要表现是说话障碍或吞咽困难。这类病人说话会逐渐变得含糊、带有鼻音，甚至失语。

Brunton 的行动很果断，确诊后马上找公司去做语音生成。

来回花了一个月时间，录了 3000 多个句子的语料，但最后出来的结果并不理想。

那家公司用的是一种名为“单元选择(unit selection)”技术。

简单粗暴来说，它就是通过“拼接”来实现语音生成，把语料拆分为大量小的语音单元，然后按需把元素拼起来。

　　▲单元选择技术下，“Bob”这一词语能被拆分成不同语音元素，图自《华盛顿邮报》

这种技术生成的语音能听清，但会有点电音，听起来不太自然。

结果就是，Brunton 录制的语料结合了微软一个名为“Heather”的声音，不但声音和自己毫不相似，甚至逼着这英国人“讲”起了美语口音。

困在这个声音里，Brunton“只会在必要的时候说话，不再是因为想说话而说话”。

从前和丈夫打闹聊天的心情消失了，Brunton 也不怎么愿意参加多人对话。

即便是说“我爱你”，用一个不像自己的声音来说，意义也似乎被削弱了。

六个月后， Brunton 和丈夫争取回了最初录制的语音素材，找了另一家公司，用 AI 技术合成了一个更像她自己的声音：

这听起来也许有点傻，但重新获得自己的声音让我更有自信了。

在波士顿儿童医院负责“增强沟通”项目的 John M. Costello 留意到，那些采用了更真实生成语音的病人，似乎更能够和亲近的人建立深厚的联结。

2022 年圣诞节，“重获新声”的 Brunton 还用语音录制的一段节日祝语。

然而，圣诞刚过，Brunton 就染上了新冠，最后在今年 2 月离世了。

她离开的那晚，丈夫 David 一整夜都握着她的手：

我们有两年时间来告别。

我们说好了，我们要说尽一切我们想说的。

难以想象，如果 Brunton 后来没换上更像自己的声音，她又是否能自在地说出想说的一切。

无障碍思维点亮灵感，AI 燃起生产力

我一直认为，无障碍设计所挖掘的，其实就是人类多样性创造的想象力资源。

我们去到和自己有着截然不同生活体验的人面前，聆听更少被诉说的故事和体验，创造出我们之前没想象过，但却能对更多人友好的的新生活方式。

Personal Voice 能让失语的 ALS 患者重新获得自己的声音;也可以帮助在经历“刀片嗓”的我用自己的声音去和其他人对话;甚至，我也很难避免会去想象，是否应该用这为自己“备份”声音留给亲近的人，以免哪天自己会突然离世。

而 AI 技术，就是实现这些想象力生产力。

正如杜编辑之前说的，虽然不赶生成式 AI 的热闹，但苹果一直都把 AI 用来提升用户体验 —— 提升效率，保护隐私。

提升效率，在于提升本地执行的机器学习算法和模型。

除了 Personal Voice 以外，苹果这次预览的另一个无障碍功能 Point and Speak 也采用了本地设备端的机器学习技术。

未来，视障用户在 iPhone 自带的放大器里，结合 Point and Speak 和旁白功能，就能凭自己手指把 iPhone 变成“点读机”—— 点到哪儿，让 iPhone 给你把文字读到哪儿。

去年的“门检测”功能道理也类似，让设备端的机器学习帮视障用户识别出门，并朗读出门上面的信息和周围的标识。

至于隐私，按乔布斯说的，就是 “如果你需要他们(用户)的数据，那就向他们(用户)请求。每一次都如此。”

这在无障碍设计方面也尤其重要 —— 因为这些功能设计起源就是服务被所谓“常规设计”忽略的人，常常都是更弱势的群体，因此更有必要确保这些用户的隐私不受侵害。

在这个语境下，我们也可开启更多关于数据应用权和透明度的讨论。

苹果这次做 Personal Voice 时，和帮助 ALS 患者的非盈利机构 Team Gleason Foundation 合作。

▲ Team Gleason Foundation CEO Blair Casey(右)

该机构的 CEO Blair Casey 一直也在推动语音生成公司设定一套标准录制素材设定，让用户能直接录这部分素材，并体验不同公司生成出来的语音效果，而不是像现在一样“盲赌”。

同时，Casey 也主张语音生成公司把用户录制的语音素材数据提供给用户(因为很多用户可能录制后就失语了)，以免他们未来想把这些数据用在其他技术上：

如果更好的技术出来了，你会不想试一试吗?

如果你没法拿回自己的语音素材，你就没法去试。

AI 也许是我们时代最强的生产力。

但是，这力该怎么使，也许以人为本的无障碍设计能给它不少指引。