圖片來(lái)源 @視覺中國(guó)

文 | 新商業(yè)派

不知道從什么時(shí)候起，魏然發(fā)現(xiàn)自己常刷的短視頻 APP 中，出現(xiàn)頻率最高的聲音從各種洗腦神曲變成了影視劇剪輯。

而且很多比如 XX 影視、XX 電影說(shuō)這些粉絲上千萬(wàn)的賬號(hào)，擁有一個(gè)共同點(diǎn)——旁白配音高度相似。

魏然一度疑惑，真的有人有這么多精力給數(shù)量如此龐大的短視頻配音嗎？直到后來(lái)有一次在和一個(gè)做短視頻的朋友聊天時(shí)，將這個(gè)疑問拋給朋友。

" 你真的不知道這些都是配音軟件合成的聲音嗎？" 對(duì)方笑他孤陋寡聞，他也恍然大悟。

在他有限的認(rèn)知里，軟件語(yǔ)音不就是類似于天貓精靈、Siri 那種效果嗎？機(jī)械、僵硬、古怪，一聽就是機(jī)器人的聲音。但是短視頻中的配音卻聲音流暢、音色出眾，幾乎和真人無(wú)異，兩者完全不是一個(gè)檔次。

這究竟是怎么回事？

01 短視頻配音的秘密

想了解這些聲音是怎么來(lái)的，魏然采取了追根溯源的辦法，去找這些影視大 V 們的供應(yīng)商，結(jié)果發(fā)現(xiàn)其實(shí)不少賬號(hào)都是一家名為 " 魔音工坊 " 配音軟件的客戶。

官方資料介紹，魔音工坊是一款短視頻達(dá)人聯(lián)袂推薦的 AI 配音神器，能一鍵將文本轉(zhuǎn)換為音頻。它能幫助用戶快速、高效制作高質(zhì)量的音頻，從而給短視頻、有聲書等高效配音。

在其官網(wǎng)上也列舉了幾十個(gè)粉絲過(guò)百萬(wàn)的抖音影視劇大 V 客戶。

相比魔音工坊，其背后的一家公司在科技圈很多人都不會(huì)陌生，它就是出門問問。這是一家由 Google 投資的人工智能公司，前幾年也是人工智能行業(yè)的當(dāng)紅炸子雞之一，主要的產(chǎn)品是智能手表、智能音箱等硬件產(chǎn)品。

出門問問是其對(duì)標(biāo) Google NOW，亞馬遜 Alexa 創(chuàng)業(yè)的一家公司，魔音工坊是 2020 年由出門問問推出 AI 語(yǔ)音系列產(chǎn)品。

2020 年前后是出門問問最艱難的時(shí)刻，創(chuàng)始人李志飛提到這是他人生的至暗時(shí)刻，此前出門問問突破 10 億美元估值后開始瘋狂擴(kuò)張，很快遭遇巨大的虧損，出門問問開始急剎車，大幅裁員、砍門店，從千人規(guī)模精簡(jiǎn)到 500 人、線下門店全部關(guān)掉。可以猜想魔音工坊就是出門問問為了挽救公司困局而推出來(lái)的一款產(chǎn)品。

魔音工坊的原理很簡(jiǎn)單，以 AI 語(yǔ)音技術(shù)模擬具有清晰性格特征的真人語(yǔ)音，進(jìn)行 AI 音頻內(nèi)容創(chuàng)作。簡(jiǎn)單的來(lái)說(shuō)就是先找一些音色出眾的配音人錄制一些聲音，然后用機(jī)器學(xué)習(xí)的手段訓(xùn)練獲得聲音的特征。用戶使用的時(shí)候，只需要導(dǎo)入一段文字，然后略微調(diào)整重音、停頓等問題，就可以生成一段和配音人相似的聲音片段了。

這里面需要用到一個(gè)關(guān)鍵技術(shù)叫做 Deepfake Voice，也稱為語(yǔ)音克隆或合成語(yǔ)音，其目的是使用 AI 生成一個(gè)人的語(yǔ)音。

業(yè)內(nèi)人士介紹，初代的人工智能語(yǔ)音，干澀、生硬、機(jī)械感格外強(qiáng)。但是在 Deepfake Voice（聲音克隆）技術(shù)加持下，AI 生成的語(yǔ)音如今已經(jīng)可以近乎完美復(fù)刻真人的聲音。傳統(tǒng)的語(yǔ)音合成通常使用兩種基本技術(shù)，即拼接合成和共振峰合成。

而深度學(xué)習(xí)和人工智能的出現(xiàn)將 TTS（語(yǔ)音合成）技術(shù)帶到了新的高度，可以在音調(diào)和相似度上非常精確地復(fù)制人聲的地步，也就促成了我們聽到的近乎以假亂真的人工智能語(yǔ)音出現(xiàn)。

不過(guò)出門問問把自己的技術(shù)稱之為 MeetVoice ( Mobvoi End-to-End TTS Voice ) ，也就是采用基于神經(jīng)網(wǎng)絡(luò)的聲碼器 Meet-Vocoder，可以實(shí)現(xiàn)高度接近真人的聲音素質(zhì)。

有了這門技術(shù)，一門生意就出現(xiàn)了。為了讓這些聲音變現(xiàn)，魔音工坊建立了聲音商店，用戶可以按天 / 月 / 年付費(fèi)。

02 蓬勃發(fā)展的 " 機(jī)器音 "

隨著抖音視頻魔性的聲音在大街小巷響起的時(shí)候，短視頻配音產(chǎn)業(yè)也迎來(lái)了眾多玩家的入局。

眼下短視頻配音領(lǐng)域可以有三大陣營(yíng)的玩家：

第一類是來(lái)自人工智能公司，包括出門問問、微軟、科大訊飛，這些公司在人工智能語(yǔ)音上都有多年的積累，做短視頻配音屬于降維打擊。由于功底扎實(shí)，推出的產(chǎn)品品質(zhì)較高，大多采取付費(fèi)使用的模式。

第二類同樣是采用付費(fèi)模式的是一些小型創(chuàng)業(yè)公司或者工作室，這些公司大多名不見經(jīng)傳，搜索引擎一搜一大票，產(chǎn)品良莠不齊。

第三類是短視頻平臺(tái)自己推出的帶有配音功能的剪輯軟件，比如抖音的剪映、騰訊的智影等等特點(diǎn)就是使用免費(fèi)。

玩家蜂擁而來(lái)，瞄準(zhǔn)的就是處于高速增長(zhǎng)階段的短視頻配音市場(chǎng)，近年來(lái) "X 分鐘看完 XX" 等這類視頻大受歡迎，很多創(chuàng)作者有了配音的需求，訊飛和出門問問爭(zhēng)搶的就是這類客戶。

實(shí)際上不光是在中國(guó)，AI 語(yǔ)音在全球都有著廣闊的市場(chǎng)空間，除了短視頻之外還包括影視劇、廣告、游戲等眾多使用場(chǎng)景，根據(jù) Verified Market Research，僅電影配音市場(chǎng)的價(jià)值從 2020 年就開始以 5.6% 的復(fù)合年增長(zhǎng)率增長(zhǎng)，到 2027 年可達(dá) 36 億美元。

因此 AI 語(yǔ)音行業(yè)在國(guó)內(nèi)外都處于高峰發(fā)展的階段。今年 2 月份韓國(guó)語(yǔ)音和視頻合成初創(chuàng)公司 Neosapience 獲得 2150 萬(wàn)美元的 B 輪融資，該公司于 2017 年成立，其語(yǔ)音視頻合成平臺(tái) Typecast 使用戶能夠?qū)⑽淖洲D(zhuǎn)化為 AI 合成的語(yǔ)音和視頻，擁有 170 名說(shuō)韓語(yǔ)和英語(yǔ)的配音員，大多數(shù)用戶是創(chuàng)作者和企業(yè)客戶。

今年 6 月音樂流媒體平臺(tái) Spotify 宣布收購(gòu)人工智能語(yǔ)音初創(chuàng)公司 Sonantic，后者是一個(gè)動(dòng)態(tài)的人工智能語(yǔ)音平臺(tái)，通過(guò) AI 技術(shù)可將文本轉(zhuǎn)換為逼真的聲音。Spotify 表示，高質(zhì)量的語(yǔ)音對(duì)增加 Spotify 的收聽市場(chǎng)份額非常重要。

03 AI 會(huì)殺死人工配音嗎？

在 UP 主和短視頻創(chuàng)作者熱烈歡迎 AI 配音技術(shù)的同時(shí)，也有一些群體對(duì)于這門技術(shù)充滿擔(dān)憂，其中就包括被 AI 配音直接沖擊的人工配音行業(yè)。

相對(duì)于人工配音，Ai 配音最大的優(yōu)勢(shì)就是成本低廉。

淘寶上面人工配音商家的價(jià)格標(biāo)準(zhǔn)大約是 30-60 元 /100 字；京東上面的配音商家的價(jià)格標(biāo)準(zhǔn)大約是 40-80 元 /100 字。而魔音工坊等配音軟件沒有字?jǐn)?shù)要求，按照時(shí)長(zhǎng)來(lái)付費(fèi)，每天不到 2 元錢。

其次，AI 配音相比人工配音在效率和準(zhǔn)確度上也有很大的優(yōu)勢(shì)。傳統(tǒng)人工配音耗時(shí)費(fèi)力、專業(yè)設(shè)備要求高、在配音的過(guò)程中也容易出現(xiàn)準(zhǔn)確度不夠等問題。但 AI 人工智能技術(shù)產(chǎn)量更高，而且可以做到 100% 準(zhǔn)確。

AI 配音還有一點(diǎn)是傳統(tǒng)配音所無(wú)法企及的，那就是它可以依靠人聲合成技術(shù)復(fù)原逝者的聲音，或者讓很多先天語(yǔ)言障礙的聾啞人通過(guò)技術(shù)的合成擁有自己的聲音。中央電視臺(tái)在 2018 年播出了紀(jì)錄片《創(chuàng)新中國(guó)》是世界上第一部利用人工智能模擬人聲的紀(jì)錄片，就是利用已故知名播音員李易。

英國(guó)演員工會(huì)對(duì) 430 個(gè)會(huì)員進(jìn)行了一項(xiàng)調(diào)查，發(fā)現(xiàn) 93% 的配音演員都覺得人工智能對(duì)自己的工作機(jī)會(huì)產(chǎn)生威脅。比如 2021 年 7 月份知名游戲《巫師 3：狂獵》發(fā)生了一次 ai 配音風(fēng)波，有游戲 Mod 開發(fā)者發(fā)布了自己制作的全新《巫師 3》 額外任務(wù)包并且利用 ai 進(jìn)行配音，在聲優(yōu)們中引發(fā)軒然大波。配音演員 Natalie Winter 表示，" 如果 AI 的聲音變得足夠好，可以被廣泛使用，那么（真人聲優(yōu)的）機(jī)會(huì)只會(huì)進(jìn)一步減少。"

不過(guò)類似于魔音工坊這樣的 AI 語(yǔ)音短期內(nèi)真的能大殺四方嗎？

也未必。

有人認(rèn)為，目前 ai 配音取代人工配音還為時(shí)尚早，畢竟人工在配音感情更為充沛，而且相對(duì)于機(jī)器更具有主觀能動(dòng)性，語(yǔ)氣輕重急緩，風(fēng)格變化多樣。

而且魔音工坊這類配音工具來(lái)說(shuō)，未來(lái)發(fā)展本身面臨天花板。

" 這個(gè)行業(yè)最大的問題就是行業(yè)比較小眾，在短視頻爆發(fā)之前，配音在國(guó)內(nèi)是一個(gè)非常小眾的行業(yè)。普通用戶了解最多的就是影視配音。" 有行業(yè)人士認(rèn)為，配音依然是一個(gè)非常細(xì)分的需求，因此難免陷入工具化的困局。

他舉例認(rèn)為，魔音工坊這樣的短視頻配音平臺(tái)，未來(lái)處境可能和天眼查這種個(gè)人與企業(yè)信息查詢工具所面臨的處境一樣，" 解決的問題非常窄，市場(chǎng)不夠大，未來(lái)能夠存活的玩家其實(shí)很有限。"