如何辨别语音录音是否为AI生成 | 《科学美国人》

一位拥有声学分析背景的技术作者，最近用免费开源工具在几秒钟内克隆了自己的声音，效果逼真到需要专家才能分辨真假。这并非个例。加州大学伯克利分校研究AI语音克隆的博士生Sarah Barrington表示，如今市面上已有平台宣称只需三秒语音样本就能生成克隆，克隆技术“几乎一夜之间从相当专业变得普通消费者随手可用”。她在课堂上做演示时，从一段YouTube视频中克隆自己的声音只需要90秒。这种低门槛已经引起诈骗分子的注意。据路透社9月报道，有人冒充律师、使用克隆语音，说服一家意大利大型私人银行向境外转账约9500万欧元（约合1.05亿美元）。 问题在于，人耳本身并不擅长分辨真伪。Barrington团队曾做过一项研究，让600多名听众收听220位说话者的真实语音和克隆语音。其中一半人被要求标记出他们认为属于人工生成的语音，结果准确率只有60%；另一半人在同时听到克隆音和真人原声时，约有80%的情况下会判断为同一个人。过去，克隆语音还能靠呼吸声、停顿和“嗯”“啊”这类口语瑕疵来识别——声音过于干净、过于完美反而露馅。但这一招现在也失效了，这些特征正被有意加入克隆音频中以增强伪装。研究人员的应对思路转向音频取证：把波形放大到足够程度，可以看到声带每次微小振动形成的重复信号，这些周期长度的细微变化（jitter）和峰值的细微变化（shimmer）等特征，可以被检测模型综合起来判断一段语音是否由AI生成。不过再好的检测器也有盲区。Barrington指出，AI模型可以针对某一家克隆公司的工具特征进行训练，但这种识别能力“往往无法很好地迁移到其他服务商”。换言之，检测与克隆之间的攻防，短期内还看不到一劳永逸的解法。对跨境电商卖家和出海团队来说，这意味着两件事：一是涉及付款、合同变更、账号验证等环节的语音指令，不能仅凭“听起来像本人”就放行；二是若在营销素材中使用AI配音，需留意平台对合成内容的标注要求正在收紧。