AI配音版Sora视频刷屏！绝美逼真音效打破「无声电影」，或颠覆万亿美元产业
OpenAI Sora各种逼真视频的生成足以让人惊掉下巴，有网友却表示，现在的Sora视频更像是「无声电影」。
如果再给它们配上音效，现实可就真的就不存在了......
就在今天，AI语音克隆初创公司ElevenLabs给经典的Sora演示视频，完成了绝美的配音。
听过之后，让人简直颅内高潮。从建筑物到鲨鱼无缝切换视频中，可以听到小鸟叽喳，狗在狂吠，不同动物叫声糅杂在一起，非常空灵。因为公社无法贴视频，请点击以下原文链接感受！
在片尾，ElevenLabs表示，以上所有的配音全部由AI生成，没有一点编辑痕迹。
需要补充的是，ElevenLabs的配音不是看视频直接生成的，还是需要prompt之后才能完成。
不过，这种梦幻联动确实让人眼前一亮，或许OpenAI的下一步就是进一步扩展多模态能力，将视频、音频同时呈现。
到时候，被革命的不仅仅是影视行业，甚至是配音、游戏领域，也要发生翻天覆地的变化！
向量空间中建模，让LLM理解隐式物理规则
那么，视频到音频的精准映射，该如何突破呢？
对此，英伟达高级科学家Jim Fan做了一个比较全面的分析：
为了精确配合视频内容，配音不仅需要文本信息，视频像素也至关重要。
若想精确地实现「视频-音频」的无缝匹配，还需要LLM在其潜在空间内理解一些「隐式的物理原理」。
那么，一个端到端的Transformer需要掌握以下能力，才能正确模拟声波：
- 确定每个物体的种类、材质和空间位置。
- 识别物体间的复杂互动，比如棍子是敲在木头、金属还是鼓面？敲击的速度如何？
- 辨识场景环境，是餐厅、空间站、黄石国家公园还是日本神社？
- 从模型的内存中提取物体及其环境的典型声音模式。
- 应用「软性」的、已学习的物理规则，组合并调整声音模式的参数，或者即时创造全新的声音，类似于游戏引擎中的「程序化音频」。
- 对于复杂场景，模型需要根据物体的空间位置，将多条声音轨道叠加起来。
所有这些能力都不是通过显式模块实现的！它们是通过大量时间对齐的视频和音频配对，通过梯度下降法学习得来的。
模型的注意力层将利用其权重来实现这些功能，以达到扩散的目标。
Jim Fan挖出了5年前来自MIT团队的一项关于「The Sound of Pixels」的研究，或许从这里可以找到一些灵感。
这个项目中，研究人员提出了像素级声源定位系统PixelPlayer。
通过结合声音和图像信息，AI能够以无监督的方式从图像或声音中识别目标、定位图像中的目标，甚至分离目标视频中的声源。
当你给定一个输入视频，PixelPlayer可以联合地将配音分离为目标组件，以及在图像帧上定位目标组件。
值得一提的是，它允许在视频的「每个像素」上定位声源。
具体来说，研究人员利用了图像和声音的自然同时性，来学习图像声源定位模型。
PixelPlayer学习了近60个小时的音乐演奏，包括独奏和二重奏。它以声音信号作为输入，并预测和视频中空间定位对应的声源信号。
在具体训练过程中，作者还利用了自然声音的可加性来生成视频，其中构成声源是已知的。与此同时，还通过混合声源来训练模型生成声源。
这仅是视觉-音频联合学习（Audio-Visual Learning）研究中的一瞥，过去在这一方向领域的研究也是数不胜数。
比如，在ECCV 2018被接收的Oral论文「Learning to Separate Object Sounds by Watching Unlabeled Video」，同样使用了视觉信息指导声源分离。
论文地址：https://arxiv.org/pdf/1804.01665.pdf
比起MIT的那项研究，这篇论文除了在音乐，还在自然声上进行了实验。
以往的研究，都将为未来视频-音频完成精准映射进一步铺路。
正如这几天被人们炒的火热的Sora模型，背后架构采用的是Diffusion Transformer一样，正是基于前辈们的成果。
话又说回来，网友发出疑问，「那得需要多少年，LLM才能完全遵守物理达则中的所有可能参照系」？
有没有可能OpenAI早已接近，甚至是实现AGI，只不过不想让我们知道？
估值11亿刀，前谷歌大佬创AI语音初创公司
前文提到的ElevenLabs，是由前谷歌机器学习工程师Piotr Dąbkowski和前Palantir部署策略师Mateusz Staniszewski，在2022年共同创立的一家利用AI实现语音合成与文本转语音的公司。
这两位创始人都来自波兰，他们在看到美国电影不尽人意的配音后，萌生了创建ElevenLabs的想法。
尽管ElevenLabs没有固定办公地点并且仅有15名员工，但它却在2023年6月以约1亿美元估值成功筹集到了1900万美元的 A 轮融资。
到了2024年1月22日，ElevenLabs又在B轮融资中筹集了额外的8000万美元，使估值达到了11亿美元。同时，公司还宣布推出了一系列新产品，包括声音市场、AI 配音工作室和移动应用等。
2023年3月，喜剧演员Drew Carey通过ElevenLabs的声音克隆工具，在他的广播节目《Friday Night Freakout》中复刻了自己的声音。
2023年3月，流媒体自动化服务Super-Hi-Fi携手ElevenLabs，利用后者的软件和ChatGPT生成的提示词，为其虚拟DJ配音，推出了全自动的「AI Radio」广播服务。
6月13日，Storytel宣布与ElevenLabs达成独家合作，后者将专门为Storytel的核心市场量身定制声音，制作AI叙述的有声读物。
在游戏领域，ElevenLabs正与瑞典的Paradox Interactive和英国的Magicave等开发商进行合作。
ElevenLabs的技术还被用于多语言视频配音，帮助内容创作者准确复制几乎任何语言的任何口音。此外，明星粉丝也通过ElevenLabs使用他们偶像的声音创作鼓舞人心的信息。
对AI音频有哪些相关题材公司感兴趣的请移步隔壁关注~
- 1