咳咳，在开始讲之前，先跟大家宣布个事情：
这种自然的语气，似乎还能听到一些兴奋的呼吸声，是不是已经有一些对手快要上钩了。
但大伙可别真以为世超要暴露真声，其实这段音频，是我利用人工智能技术生成的，从打开网址到生成完整的音频，总共只用了不到两分钟。
可能已经有朋友猜到世超用的是啥 AI 工具，就是最近刚火出圈的那位，ChatTTS 。
刚刚开源不久，这个项目在GitHub上获得了一万多个星标，而且还在持续迅速增长，就在我写稿的时候，我亲眼目睹它突破了2万的大关…
网上的热度也非常高，光是 b 站，随便一搜 ChatTTS ，就能弹出很多视频来，不是在教大家怎么安装，就是在赞美它的逼真程度。
甚至连热度都传到国外了。
其实像 ChatTTS 这类文本转语音（ Text to Speech ）的工具，市面上有很多，各家做 AI 应用的企业，基本上都提供了文本转语音的功能。
但和它们不一样的是， ChatTTS 主打的是，最自然地还原人声。
它网页版上的参数调节按钮，有一大半都是为了让生成的音频，更加逼真地模拟人类的语音。
就比如，精调文本按钮打开之后，最后生成的音频里，会自动加一些口语化的连词，例如“嗯”、“啊”、“呃”等，或者换气、笑声等，还有信噪比，就是为了还原说话时的背景音。
世超随便输了一段话给ChatTTS，没有改变它的默认设置，生成的效果如下：
乍一听，还以为是办公室哪位同事遛火锅回来的吐槽。看下输出的文本，它是在最后一句的中间和结尾，自动加了两个气口。
不过要多听几遍，还是能在里面找到一些人工智能的味道。
如果嫌生成的效果一般，我们也可以自己手动设置，在输入文本里加 [ uv _ break ] 或者 [ laugh ] ，就能直接控制气口和笑声。
还是上面那句话，世超直接在结尾加上个 [ 笑 ] ，整句话都会更自然一点，结尾那个笑声，还能感受到一点无奈的味道。
光靠这一句话，咱还看不太出 ChatTTS 的实力，接下来上点难度，扔两段绕口令给它。
要是给我们没有练过的人来，指不定得口吃几次，没想到 ChatTTS ，模仿这个挺有一手。
讲到后面，他是连续不断地说完的，与我们快要忘词的语调相比，不能说非常相似，至少也有七八分相似。
甚至为了让最后那句 “ 你看我说的还行吧 ” 更自然点，它还自己手动加了个词儿（ 那个 ）。
世界上超级经典的电影《肖申克的救赎》中有一句非常著名的台词：“希望是一件好事，也许是最好的事情。而且，好事从来不会消逝。”
至于效果嘛，世超觉得，没有说中文就不够自然。。。
当然，作为在我们这里土生土长的人工智能，说中文比说英文自然也情有可原。
不过让世超意外的是，虽然英语水平一般，但在学习英语字母ABC的过程中，中英夹杂的学习方式让他展现出了一些天赋。而且他在使用ChatTTS（聊天文本转语音）工具方面也有一定的天赋。
世超随便在台词里加了一些网上很火的英文梗，它直接把里面的精髓给模仿出来了。
不仅能准确切换中英文，口气啥的也都像模像样，而且该补充的连词也都补充了。硬要挑刺的话，就是最后那句有点卡壳，但平时咱说话，谁没有说话不流利的时候。
试到这儿，世超已经稍稍被 ChatTTS 给折服了。。。然鹅，就在咱准备再深度探索探索时，它一连给咱来了好几次意外失败。
就比如我想试试不精调文本，看看 ChatTTS 会生成怎样的音频，结果倒好，它直接罢工，输入的一大段话，它只读第一个字。
我试了好几次，但都得到了同样的结果…
（由于输出问题，iOS系统可能无法播放此音频。）
而且如果整段文字里有阿拉伯数字，ChatTTS也无法识别，需要我们手动切换成中文数字。
更令人惊讶的是，只要文章长度增加，它就开始敷衍塞责，只挑选其中的一小部分进行朗读，甚至有时候还会导致它们的GPU崩溃。
像是世超想让 ChatTTS 帮助差友们朗读这篇文章的开头，但它已经无法继续运行了。。。
这都还不算什么，ChatTTS有一个最大的缺点，就是我们无法事先知道选择了哪种音色，只能在“音频种子”中输入数字进行盲选，或者抽卡来决定。
合着就是碰运气呗，也就是靠运气来决定。
不过关于这些 “ BUG ” ，研究团队也有它们的说辞。一句话概括就是，为了防止 ChatTTS 被有心之人利用，他们没有公开最优秀的模型。
据他们的说法，目前开源的和网站上用的，都是用40,000个小时数据训练出来的模型，还没经过监督微调（ SFT ）。
并且为了防止人工智能诈骗，他们还在这些训练数据里，加了少量的高频噪声，数据用的也都是音频质量不太高的MP3格式。
团队手里呢，其实还有个更大杯、性能更好的模型，用100,000小时数据。
ChatTTS 真实的实力，应该是官方视频里展示的那样。像咱们上面展示的那几个例子，它都能做得更好，比如中英文夹杂的句子，视频的示例比咱试的要更流畅，而且整个人声的清晰度，也比世超在线生成的要强。
按照设想，它之后还能接入语言大模型，能直接和人工智能进行实时对话。
甚至光是凭几分钟的音频，它能直接把乔布斯、泰勒 · 斯威夫特的声音给克隆出来。
甚至仅仅通过几分钟的音频，它就能够直接复制出乔布斯和泰勒 · 斯威夫特的声音。
之后再进一步发展，结合 ChatGPT 和对话式的 AI 技术，让它协助进行直播带货，预计观众几乎无法察觉到人工智能的介入。
当然有好处是一方面，但世超想说的是，说到底这人工智能还是在模仿人类的语言表达方式。要是被有心之人利用，可能会带来无法用好处来抵消的后果。
就像去年一样，发生了多起涉及AI诈骗的案件，其中有些人被骗走了数百万。而现在，AI音频技术越来越逼真，这意味着诈骗的难度越来越低。
还有版权风险，也可以说是这类音频人工智能的一个障碍。最近一段时间，寡姐还因为声音版权的问题，公开与OpenAI发生了争执，最终导致OpenAI下架了相关音色。
甚至在今年早些时候，美国田纳西州还通过了一项法律，禁止使用人工智能模仿人的声音。
总之，在音频人工智能领域，还有很多问题需要解决。
但说句心里话，我真的很希望这个模仿人说话的人工智能能够尽快实现，如果能够在公众号上使用就更好了。
毕竟这 “ 听一听 ” 功能里的机械音，听起来确实让人感到不舒服。。。
