奧巴馬吐槽川普“笨蛋”的視頻火了，這又得“歸功”於AI

一段吐槽視頻今天在美國火了。

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，視頻裡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。

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件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。

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。

上週，有Reddit小伙伴發布了，川普演講的韓文版，是AI自動生成的。

樓下，就有韓國友人鑑定，嗯，流利得可以。

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。

本週，還是那個小伙伴，又放出了帶有you-know-who嗓音的韓式英文，AI調教成果上佳。

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

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。

第一個用神經網絡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，讓模型過於復雜，難於訓練。

但當PixelRNN和PixelCNN發布之後，DeepMind便有了“借助二維圖像的處理方式，來處理一維聲波”的想法。

WaveNet是全卷積神經網絡，卷積層裡的擴張因子 (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痕跡明顯的機器語音，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。

1. 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，然後藉用ta的聲音來說話。

據公司官方表示，通過大量的樣本學習，神經網絡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。

2. 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裡。 比如來自大不列顛島和北美大陸的人，在嵌入空間裡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。

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。