听6秒钟语音 这个AI就能知道你长什么样

　　声音可以暴露很多信息，比如说，广东人跟东北人讲的普通话永远都不是一个味儿。

　　研究人员用一个由数百万 YouTube 视频剪辑组成的数据集，对一个名为 Speech2Face 的神经网络模型进行自我训练，从最终结果来看，6 秒语音对人脸进行还原的效果还算不错。

　　Speech2Face 模型的运作大概分为两部分，一个是语音编码器，负责对输入的语音进行分析，预测出相关的面部特征；另一个则是面部解码器，对输入的面部特征进行整合产生图像。

▲ 一共 6 组结果示例，左边是视频里的人像，右边是 AI 根据声音还原的效果

　　MIT 研究团队指出，他们的目的不是为了准确地还原说话者的模样，Speech2Face 模型主要是为了研究语音跟相貌之间的相关性。

　　从训练结果看，Speech2Face 能较好地识别出性别，对白种人和亚洲人也能较好地分辨出来，另外对 30-40 岁和 70 岁的年龄段声音命中率稍微高一些。

▲ Speech2Face 似乎倾向将 30 岁以下的说话者年龄猜大，将 40-70 岁的说话者年龄猜小

　　除了比较基础的性别、年龄和种族，Speech2Face 甚至能猜中一些面部特征，比如说鼻子的结构、嘴唇的厚度和形状、咬合情况，以及大概的面部骨架。基本上输入的语音时间越长，AI 的准确度会越高。

　　当然 AI 的"听觉"也会出错。研究人员发现，它会将未经历变声期的小男孩识别为女性，对一些说话者的口音判断错误，也会搞混年纪……这一点完全可以理解，毕竟声音还是会骗人的，夜夜伴你入睡的萌妹奶音主播，实际上说不定就是个抠脚硬汉。

▲ Speech2Face 的一些错误示例

　　研究人员指出，Speech2Face 的局限性，部分原因来自数据集里的说话者本身种族多样性不够丰富，这也导致了它辨认黑种人声音的能力比较弱。

　　至于他们对这个 AI 模型的应用，则有一个很可爱的想象：只需要说几句话，未来 Animoji 和 Gboard 等功能或许就能根据声音生成你的卡通头像。

▲ 图自 Independent

　　不管你信或不信，藏在我们声音的秘密都正被开发研究，投入各式各样的场景应用。

　　卡内基梅隆大学计算机副教授 Rita Singh 也主导过一项类似的研究，能从声音猜测说话者的年龄、身高、体重、环境噪音和说话时的空间类型等信息。她认为声音里藏着丰富而独特的信息，"就像是你的 DNA 或指纹"。

　　这项技术后来升级成跟 Speech2Face 相似的语音分析系统，还原人脸的准确度达到 60%-70%，目前正被美国海岸警卫队用于缩小调查范围找到恶作剧报警者。据称，他们每年会接到约 150 个恶作剧电话，这些行为被视作浪费警力，甚至会遭到刑事起诉。

▲ 听起来就像是刑侦剧里的犯罪侧写师

　　目前，汇丰、渣打、摩根大通等银行都在用"声纹"作为身份识别的一种方式（voice ID），可以检测你的账户是否被盗。

　　大都会人寿保险公司的客服中心，会用一套 AI 系统帮忙识别客户的情绪和感受，平均准确率达到 82%；一些保险公司甚至会借此判断来电者有没有骗保的意图——如果说话时出现微小停顿，很可能就是在提供虚假信息。

　　除此之外，经过训练的 AI 还被一些公司用于招聘，从应聘者的说话模式分析出性格特征，判断是否适合在招岗位。

　　而丰田汽车曾经在 2017 年 CES 大会展出 Concept-i 概念车型，车内配备红外摄像头、传感器、车载语音识别和对话系统，它们将协作判断司机是不是处于疲劳驾驶状态并作出提醒。

　　跟 MIT 的卡通头像相比，Singh 教授的想法似乎要更长远且宏大一些。她希望，有朝一日语音识别技术可以用于远程确诊帕金森等疾病。

　　而目前已经有研究发现，冠状动脉疾病患者在声音上会留有不同的频率标志。未来，"听声看病"说不定也会跟"听声识脸"一样成真。