圖片來源 @視覺中國

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 電影說這些粉絲上千萬的賬號，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)粉絲過百萬的抖音影視劇大 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的一款產(chǎn)品。

魔音工坊的原理很簡單，以 AI 語音技術(shù)模擬具有清晰性格特征的真人語音，進(jìn)行 AI 音頻內(nèi)容創(chuàng)作。簡單的來說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，也稱為語音克隆或合成語音，其目的是使用 AI 生成一個(gè)人的語音。

業(yè)內(nèi)人士介紹，初代的人工智能語音，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音出現(xiàn)。

不過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)域可以有三大陣營的玩家：

第一類是來自人工智能公司，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，瞄準(zhǔn)的就是處于高速增長階段的短視頻配音市場，近年來 "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，訊飛和出門問問爭搶的就是這類客戶。

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

因此 AI 語音行業(yè)在國內(nèi)外都處于高峰發(fā)展的階段。今年 2 月份韓國語音和視頻合成初創(chuàng)公司 Neosapience 獲得 2150 萬美元的 B 輪融資，該公司于 2017 年成立，其語音視頻合成平臺 Typecast 使用戶能夠?qū)⑽淖洲D(zhuǎn)化為 AI 合成的語音和視頻，擁有 170 名說韓語和英語的配音員，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 Spotify 宣布收購人工智能語音初創(chuàng)公司 Sonantic，后者是一個(gè)動(dòng)態(tài)的人工智能語音平臺，通過 AI 技術(shù)可將文本轉(zhuǎn)換為逼真的聲音。Spotify 表示，高質(zhì)量的語音對增加 Spotify 的收聽市場份額非常重要。

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)。

相對于人工配音，Ai 配音最大的優(yōu)勢就是成本低廉。

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)長來付費(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。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，或者讓很多先天語言障礙的聾啞人通過技術(shù)的合成擁有自己的聲音。中央電視臺在 2018 年播出了紀(jì)錄片《創(chuàng)新中國》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。

英國演員工會(huì)對 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。"

不過類似于魔音工坊這樣的 AI 語音短期內(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，而且相對于機(jī)器更具有主觀能動(dòng)性，語氣輕重急緩，風(fēng)格變化多樣。

而且魔音工坊這類配音工具來說，未來發(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，未來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，市場不夠大，未來能夠存活的玩家其實(shí)很有限。"