發現薇趨勢／生成式AI時代 需要有人味的聲音

今年年初，OpenAI推出ChatGPT應用程式，正式開啟了全球生成式AI（AI Gernative Content; AIGC）的序幕。

目前表現較出色的，文字生成有ChatGPT和文心一言，圖片生成有Midjourney，影片生成有DeepBrain和Kaiber，聲音生成則有Fliki和LOVO，這些都是科技創新的一大突破。

這項新技術悄悄進入我們的生活與工作場域，許多專欄與新聞開始關注使用者──「人」，未來究竟還有多少工作機會？科技將如何取代人類的工作？

前陣子跟一位公司創辦人聊天，他說公司裡的文字編輯相當抗拒使用ChatGPT，原因是擔心有朝一日被取代。創辦人苦口婆心告訴員工，若是擅長的專業，應當是親自撰寫文章；但碰到不熟悉的領域，生成式AI發揮的效力，也許比「人」還好。因此他鼓勵員工發揮自己的才華之外，也該讓生成式AI提高生產效率。

員工嘴上雖然說好，但產出的作品很明顯的沒有與這位敏捷的「助手」協作。最後，員工遭解雇，創辦人自己用生成式AI輔助，兼職當文字編輯。

生成式AI運用在影片場域，大致有兩種模式：一種是從文本變成影片，近期已有國內電視台使用AI虛擬主播播報新聞；另一種則是由AI讀取文本內容後，從資料庫抓取適合的圖片或影像。

那麼聲音呢？其實坊間有許多AI生成聲音的應用軟體，我也嘗試使用了目前比較流行的幾種。有意思的是，目前支援跨語言生成聲音內容已不成問題，若讀者常使用Youtube和抖音Tiktok，不難發現許多敘述電影故事的影片，搭配了「清新男聲」，就算是不同創作者上傳的影片，聲音也都如出一轍，其實那些都是利用生成式AI合成的聲音。

近期與另一好友聚會，他旗下的企業算是國內AI生成的佼佼者，透過錄音，能訓練語音模型，一旦訓練完成，就能讓專屬你的AI發出你的聲音。

既然聲音可以拷貝，那「人」的價值在哪裡呢？在情緒。

好友說目前他們製作的音檔，比較適合播報新聞或旁白，若要表現情緒，只能放慢語速或增加重音。他們的產品搭配AI生成影像，因此可以透過人的表情，加深聲音表情。

國外某些AI語音模型雖然可以選擇情緒，但假的AI語音跟真人在情感表達與傳遞能力上，確實有落差。

再者，情緒選擇需要批次處理，也就是一個故事如果出現的情緒有十種，不同段落的生成，需要批次處理再剪輯。目前比較受歡迎的幾種AI語音模型，也只有特定幾個聲音能選擇情緒。

在生成式AI席捲全球的同時，備受關注的議題，除了人的價值，就是AI內容產出的所有權與智慧財產權了。

智慧財產權，原則上歸屬於法人或自然人，而AI生成的內容顯然介於模糊地帶。若只是利用AI輔助生成，主要創作者是人，那麼權利自然歸人；但創作者若只是下指令，圖片產出由AI操刀，創作者使用AI究竟屬於輔助創作，還是獨立創作？

用自己的聲音訓練的模型，就算產出了熱呼呼的內容，聲音情緒卻是冷冰冰的，著實乏味；一篇感動五內的故事，變成不帶情緒的新聞播報，未免可惜。在AIGC盛行的年代，有人味的聲音，還是最容易凸顯人的價值。