可通过人声判断人脸的人工智能

Imagine @ 2019.06.29 , 09:00

不论是电影预告片的配音员，还是地铁上的播音员，我们的生活中都充满了“看不到脸”的声音。我们大多数人在听到这些声音的时候，可能会对背后的面容做一些简单的设想，但麻省理工学院的一组研究人员却做到了更进一步：他们创造了一个人工智能系统，仅仅通过听人的声音就可以重建人的面孔。

这个名为Speech2Face的应用程序背后的技术原理是利用了一个深层的神经网络，该网路通过观察YouTube上数百万人们交谈的视频，训练并识别声音和面部特征之间的相关性。在此过程中，它学会了将音频波形的不同方面与发声者的年龄、性别、种族以及某些头部特征联系起来，比如像头部的形状和鼻子的宽度这些。

然后，当研究人员将人们的声音录音输入系统时，系统能够以合理的准确度生成每个说话者的面部图像。显然，发型、面部毛发以及其他一些外貌特征是无法从一个人的声音中预测出来的，因此开发人员坚持认为，他们的目标不是预测准确面孔的可识别图像，而是捕捉与输入语音相关的人的主要面部特征。

在一篇发表在IEEE Xplore上的论文中，研究人员说这项技术总有一天能带来较大的实用性，例如，不需要摄像头就可以生成视频通话的面孔。

话虽如此，系统也需要一些改进，因为Speech2Face创建的图像通常与面部类型大体匹配，但有一些细微的差之处还是难以判别。该系统也偶尔容易出错，比如会将大约6%的声音生成的人脸弄错了性别，抑或是弄错了种族。

本文译自 iflscience，由译者 Imagine 基于创作共用协议(BY-NC)发布。