史蒂芬·霍金的「機械電音」，也許是世界上其中一個最有辨識度的聲音。

　　但那并不是霍金自己的聲音。

　　在霍金因漸凍癥(ALS)失去說話能力的年代，技術(shù)還不足以讓他能生成自己聲音。事實上，能用上語音合成器的人都屈指可數(shù)。

　　到了今天，ALS 患者雖然有了更多語音合成的選擇，但總體費用和時間門檻仍然不低，普及度也有限。

　　最近，蘋果公布了全新無障礙功能 Personal Voice(暫未上線)，不僅讓用戶能免費「備份」自己的聲音，同時還在安全地應(yīng)用 AI 技術(shù)上，作出了一次有意思的嘗試。

　　只需 15 分鐘「調(diào)教」，就能生成你的聲音

　　▲ 圖自 Fastcompany

　　在生成式 AI 可以模仿一切的時代里，用 AI 模仿一個人的聲音聽起來已經(jīng)不算新奇，只是感覺有點安全隱患。

　　我好奇的，更多是蘋果要怎樣安全和高效地實現(xiàn) Personal Voice 這一功能。

　　據(jù)介紹，iPhone、iPad 和 Mac 用戶只需要根據(jù)提示錄制 15 分鐘的音頻，蘋果就會基于設(shè)備端的機器學(xué)習(xí)技術(shù)來生成和用戶一樣的聲音。

　　相比之下，為失語群體提供專業(yè)語音合成服務(wù)的公司，可能需要采用專業(yè)設(shè)備，錄制幾小時的語音素材，價格最低都要數(shù)百美元。

　　另一項新無障礙功能 Live Speech，則支持用戶打電話、FaceTime 或者是和他人面對面對話的時候，輸入文字即可生成語音內(nèi)容，為失語或不方便說話的用戶提供另一種「發(fā)聲」方式。

　　結(jié)合 Personal Voice 和 Live Speech 兩項功能，失語用戶就能用接近自己原本聲音的生成聲音和他人溝通。

　　用起來是方便了，但怎樣避免有人用網(wǎng)上扒的語音素材來生成他人的聲音?

　　素材隨機化。

　　在錄制 15 分鐘語音素材的過程中，蘋果將隨機生成需要用戶朗讀的內(nèi)容，減少他人猜中素材的可能性。

　　物理距離屏障。

　　在錄制過程中，用戶需要在距離設(shè)備 6-10 英寸(約 15- 25 厘米)的特定空間里完成錄制。

　　在生成過程中，所有數(shù)據(jù)都將通過蘋果的 Neural Engine(神經(jīng)引擎)在設(shè)備本地完成，不必要上傳到云處理。

　　語音合成后，第三方應(yīng)用如果想使用 Personal Voice，都要獲得用戶明確授權(quán)。

　　即便第三方應(yīng)用獲得授權(quán)使用時，蘋果也會采用額外的背景保護，確保第三方應(yīng)用無法獲取 Personal Voice 以及用戶之前所錄制的語音素材。

　　如果是蘋果「全家桶」用戶，生成自己的 Personal Voice 后還能通過 iCloud 同步到不同設(shè)備上，并以端對端的方式加密。

　　自己的聲音，失去了才懂多重要

　　人是感性的生物，而聲音是很強烈的情感觸發(fā)器。

　　有研究指出，當(dāng)人在聽到母親的聲音時，身體釋放出催產(chǎn)素水平和跟媽媽擁抱時產(chǎn)生的程度很相似。另一個研究則指出，聽到自己的聲音，會增強一個人的自我能動性。

　　這聽起來有點抽象。

　　但當(dāng)我們失去它時，重要性就變得顯而易見了。

　　2021 年 3 月，Ruth Brunton 被確診 ALS。那年圣誕，她就已經(jīng)失語了。

　　ALS 患者中，約有 25% 的人患的是「延髓起病型」肌萎縮側(cè)索硬化癥，主要表現(xiàn)是說話障礙或吞咽困難。這類病人說話會逐漸變得含糊、帶有鼻音，甚至失語。

　　Brunton 的行動很果斷，確診后馬上找公司去做語音生成。

　　來回花了一個月時間，錄了 3000 多個句子的語料，但最后出來的結(jié)果并不理想。

　　那家公司用的是一種名為「單元選擇(unit selection)」技術(shù)。

　　簡單粗暴來說，它就是通過「拼接」來實現(xiàn)語音生成，把語料拆分為大量小的語音單元，然后按需把元素拼起來。

　　▲單元選擇技術(shù)下，「Bob」這一詞語能被拆分成不同語音元素，圖自《華盛頓郵報》

　　這種技術(shù)生成的語音能聽清，但會有點電音，聽起來不太自然。

　　結(jié)果就是，Brunton 錄制的語料結(jié)合了微軟一個名為「Heather」的聲音，不但聲音和自己毫不相似，甚至逼著這英國人「講」起了美語口音。

　　困在這個聲音里，Brunton「只會在必要的時候說話，不再是因為想說話而說話」。

　　從前和丈夫打鬧聊天的心情消失了，Brunton 也不怎么愿意參加多人對話。

　　即便是說「我愛你」，用一個不像自己的聲音來說，意義也似乎被削弱了。

　　六個月后， Brunton 和丈夫爭取回了最初錄制的語音素材，找了另一家公司，用 AI 技術(shù)合成了一個更像她自己的聲音：

　　這聽起來也許有點傻，但重新獲得自己的聲音讓我更有自信了。

　　在波士頓兒童醫(yī)院負(fù)責(zé)「增強溝通」項目的 John M. Costello 留意到，那些采用了更真實生成語音的病人，似乎更能夠和親近的人建立深厚的聯(lián)結(jié)。

　　2022 年圣誕節(jié)，「重獲新聲」的 Brunton 還用語音錄制的一段節(jié)日祝語。

　　然而，圣誕剛過，Brunton 就染上了新冠，最后在今年 2 月離世了。

　　她離開的那晚，丈夫 David 一整夜都握著她的手：

　　我們有兩年時間來告別。

　　我們說好了，我們要說盡一切我們想說的。

　　難以想象，如果 Brunton 后來沒換上更像自己的聲音，她又是否能自在地說出想說的一切。

　　無障礙思維點亮靈感，AI 燃起生產(chǎn)力

　　我一直認(rèn)為，無障礙設(shè)計所挖掘的，其實就是人類多樣性創(chuàng)造的想象力資源。

　　我們?nèi)サ胶妥约河兄厝徊煌铙w驗的人面前，聆聽更少被訴說的故事和體驗，創(chuàng)造出我們之前沒想象過，但卻能對更多人友好的的新生活方式。

　　Personal Voice 能讓失語的 ALS 患者重新獲得自己的聲音;也可以幫助在經(jīng)歷「刀片嗓」的我用自己的聲音去和其他人對話;甚至，我也很難避免會去想象，是否應(yīng)該用這為自己「備份」聲音留給親近的人，以免哪天自己會突然離世。

　　而 AI 技術(shù)，就是實現(xiàn)這些想象力生產(chǎn)力。

　　正如杜編輯之前說的，雖然不趕生成式 AI 的熱鬧，但蘋果一直都把 AI 用來提升用戶體驗 —— 提升效率，保護隱私。

　　提升效率，在于提升本地執(zhí)行的機器學(xué)習(xí)算法和模型。

　　除了 Personal Voice 以外，蘋果這次預(yù)覽的另一個無障礙功能 Point and Speak 也采用了本地設(shè)備端的機器學(xué)習(xí)技術(shù)。

　　未來，視障用戶在 iPhone 自帶的放大器里，結(jié)合 Point and Speak 和旁白功能，就能憑自己手指把 iPhone 變成「點讀機」—— 點到哪兒，讓 iPhone 給你把文字讀到哪兒。

　　去年的「門檢測」功能道理也類似，讓設(shè)備端的機器學(xué)習(xí)幫視障用戶識別出門，并朗讀出門上面的信息和周圍的標(biāo)識。

　　至于隱私，按喬布斯說的，就是 「如果你需要他們(用戶)的數(shù)據(jù)，那就向他們(用戶)請求。每一次都如此。」

　　這在無障礙設(shè)計方面也尤其重要 —— 因為這些功能設(shè)計起源就是服務(wù)被所謂「常規(guī)設(shè)計」忽略的人，常常都是更弱勢的群體，因此更有必要確保這些用戶的隱私不受侵害。

　　在這個語境下，我們也可開啟更多關(guān)于數(shù)據(jù)應(yīng)用權(quán)和透明度的討論。

　　蘋果這次做 Personal Voice 時，和幫助 ALS 患者的非盈利機構(gòu) Team Gleason Foundation 合作。

　　▲ Team Gleason Foundation CEO Blair Casey(右)

　　該機構(gòu)的 CEO Blair Casey 一直也在推動語音生成公司設(shè)定一套標(biāo)準(zhǔn)錄制素材設(shè)定，讓用戶能直接錄這部分素材，并體驗不同公司生成出來的語音效果，而不是像現(xiàn)在一樣「盲賭」。

　　同時，Casey 也主張語音生成公司把用戶錄制的語音素材數(shù)據(jù)提供給用戶(因為很多用戶可能錄制后就失語了)，以免他們未來想把這些數(shù)據(jù)用在其他技術(shù)上：

　　如果更好的技術(shù)出來了，你會不想試一試嗎?

　　如果你沒法拿回自己的語音素材，你就沒法去試。

　　AI 也許是我們時代最強的生產(chǎn)力。

　　但是，這力該怎么使，也許以人為本的無障礙設(shè)計能給它不少指引。