華語樂壇，難道要重生了？！

【資料圖】

最近差評君我在刷B站視頻的時候，突然發(fā)現(xiàn)出現(xiàn)在我推薦頁上的老歌手們又多了起來。

這類視頻大多是以唱歌為主，有周杰倫的，有孫燕姿的，林俊杰的，甚至還有丁真郭德綱什么的。

只不過在這些視頻的標題里，都會帶有一個“AI”標簽。

這類視頻不僅非常多，關(guān)鍵是它們的播放量都還不差。

AI鄧麗君的一首《反方向的鐘》，喜獲50萬+播放。

AI周杰倫的一首“日系新歌”《單相思》，也是獲得了80萬+的播放量。

而且曾經(jīng)6年不發(fā)新專的杰倫，因為這個AI替身，在這一兩個月里發(fā)的“新歌”的量，估摸著已經(jīng)超過前十年發(fā)的量的總和了。。。

至于曾經(jīng)的“冷門歌手孫燕姿”，更是靠著AI替身，以一首《下雨天》，榮獲超83萬的播放量。

而且，這個AI孫燕姿，各種各樣的風格曲目都有，從流行到搖滾，就沒有AI孫燕姿掌控不了的曲風。

哪曾想到，原本已經(jīng)脫離歌壇很久的孫燕姿，到了2023年，自己居然靠著AI替身，再次火了一把。一下子從曾經(jīng)那個“冷門歌手”，變成了“2023最火爆華語歌手”。

可能也是看著現(xiàn)在華語歌壇有點拉，就連相聲界的郭老師，都來湊熱鬧了，直接來了一首《 a lot 》。

把相聲的基本功，“說、學、逗、唱”中的“說唱”演繹的淋漓盡致。

匪幫說唱配上于謙和郭德綱老師的“匪幫?！保麄€視頻立馬就有了一種“德云社廠牌”的氣質(zhì)，還有網(wǎng)友在評論里戲稱郭老師為“ GodGang ”。。。

整個形勢，就好像要回到20幾幾年那會的華語樂壇大爆發(fā)時代。

如果說，現(xiàn)在的新四大天王，把華語樂壇整成了華語哥譚。

那這個 AI 替身，可是真的把華語樂壇曾經(jīng)的一絲輝煌給重現(xiàn)了。

所以這類 AI 視頻到底是個啥東西？為什么在這兩個月的時間里突然就爆發(fā)了？

差評君我仔細研究了一下，最后得出結(jié)論，讓AI華語樂壇出現(xiàn)爆發(fā)式生長的，離不開這么一個開源項目：

So-vits-svc。

So-vits-svc源于21年的另一個叫做Vits的開源項目。

Vits是一種語音合成方法。

簡單來說，就是可以對人的聲學特征進行模擬，然后就可以直接用文本生成你模擬好的語音。

這個Vits雖然開源的早，但它沒火起來只有一個原因，就是對普通用戶來說，太難用了。

由于是文本生成語音，首先就得對需要訓練的語音進行文本標記，特別不巧的是，訓練Vits的模型又需要大量的語料才能獲得比較好的效果，這個數(shù)量大概在數(shù)千至上萬條5-10秒左右的音頻。

所以，Vits效果好是好，但愿意折騰它的普通用戶也不多。

到了2022年，一位叫“Rcell”的B站用戶在Vits的基礎(chǔ)上，結(jié)合了soft-vc、VIsinger等一系列項目，So-vits-svc就此誕生。

和Vits不同的是，So-vits不能通過文本直接合成語音，而是需要一段原始音頻，然后利用這個原始音頻，擬合成你想要的人的音色。

不過So-vits在訓練聲學特征時，需要的訓練數(shù)據(jù)也相對較少，最短十幾分鐘，就能訓練出一個能用的模型了。

到了今年三月，這個So-vits的項目迭代到4.0版本，更加易用，效果更好，再加上很多UP自發(fā)整理的整合包，這才讓B站的AI視頻出現(xiàn)了大爆發(fā)的趨勢。

那這個So-vits項目易用到了什么程度呢？

差評君這里給大家做一個演示。

咱們直接把差評君的嘴替，蛋不利多醬的配音拿來訓練，首先這些音頻要經(jīng)過切片和預處理，方便訓練。

一切準備完畢后，就可以開始訓練需要的聲學模型啦，直接點擊文件里面的推理，整個訓練過程就開始了

在訓練完成后，就能得到這樣的聲學模型。

有了模型就可以對音頻進行推理了，我們先準備一段咱們需要擬合的干音，在這里就是一段唱歌的聲音。

然后按照提示輸入數(shù)值，等待推理完成即可。

最后在/results里的.flac文件，就是咱們通過訓練蛋蛋的模型擬合出來的聲音了。

之后我還找到了一個叫d-id的網(wǎng)站，這是一個可以將輸入文本或音頻轉(zhuǎn)化為嘴型動畫的網(wǎng)站，直接把圖片和音頻上傳，就能在短時間內(nèi)生成符合音頻信息的視頻。

把音頻和視頻合成，制作就結(jié)束了，整個過程幾乎涉及不到什么有難度的點。

給大家看看成品，雖然這個過程花費時間不多，但整體的唱歌效果也還行，除了這選的曲子有點一言難盡之外。。。

，時長03:16

其實使用別人的聲音來唱歌也不是一件稀奇的事情。

B站的鬼畜視頻大家應該都看過吧？

鬼畜視頻和這類AI視頻有個共同點，就是它們都是用別人的聲音來調(diào)教音頻從而達到唱歌的效果。

但是傳統(tǒng)鬼畜的方式，制作過程繁雜，最后出來的效果也和個人調(diào)音技術(shù)有很大的關(guān)系。

而這類AI視頻，制作流程不但簡單，聲音的擬合效果也只取決于你訓練的模型的好壞。

那這一對比下來，別的先不說，鬼畜區(qū)以后不得被AI視頻干爆??？

在一些AI視頻下面，甚至已經(jīng)有些網(wǎng)友在評論區(qū)哭喊，調(diào)音鬼畜要被AI代替了。。。

但差評君在詢問了B站小編后，發(fā)現(xiàn)其實現(xiàn)在很多人對AI類的視頻并沒有很大的擔憂。

小編認為技術(shù)服務于創(chuàng)意，AI帶來的生產(chǎn)力提升也是一件好事，單調(diào)的AI原詞現(xiàn)在也就是圖個新鮮勁，不會對鬼畜區(qū)造成長遠的影響。

這類AI視頻，雖然在聲音的還原上，相比傳統(tǒng)鬼畜有極大優(yōu)勢，但是在內(nèi)容多樣性上，卻遠遠不如傳統(tǒng)鬼畜的方式。

咱就以最近很火的鬼畜素材 “ 泰褲辣 ” 舉例。

整段原視頻不過幾十秒，比較有梗的也就是這句“泰！褲！辣！”。

在傳統(tǒng)鬼畜的制作流程中，只需要把音頻截下來，然后對一些比較有梗的詞語進行重組拼貼，再進行調(diào)音。

然后對上口型的畫面，一個鬼畜視頻就完成了。

但如果想要用AI來做視頻的話，對這類素材，首先就是音頻素材量不夠，短短幾十秒的音頻素材，完全不足以支撐訓練出聲學特征。

其次就是無法還原“?！保钣泄５倪@句“泰！褲！辣！”，AI擬聲完全沒辦法保留素材的原味。

就算你能訓練出聲學模型，當你把聲音擬合到這個干聲上時，你所有的語氣，唱調(diào)，歌詞，都會變成和原始干聲一樣。

這就少了很多樂趣了。

我們再回過頭來看看鬼畜區(qū)的大部分視頻，很多鬼畜視頻的素材也就是一小段比較有趣的對話，比如九轉(zhuǎn)大腸，雞湯來了還有華強買瓜。

這些短短幾分鐘的素材全都不足以支撐AI訓練出聲學模型，自然也就沒人會拿這些素材去做AI鬼畜了。

能被拿來做AI訓練的，一般都是擁有很多音頻訓練集的人物，比如一些主播、配音演員還有歌手。

那這些歌手和主播就能被替代嘛？

只能說，目前可能還很難，但未來，誰也說不準。

B站就有一位翻唱區(qū)的UP，自己把自己的聲音練了一個AI模型出來。

在聽了最終的效果之后，直呼被AI版的自己爆殺。

評論區(qū)的觀眾更是發(fā)出驚嘆，本來以為AI最不能取代的就是藝術(shù)類了，結(jié)果，現(xiàn)在最可能被取代的，就是藝術(shù)類工作。。。

不過，差評君之所以說現(xiàn)在還比較難取代的原因，主要是因為，目前的AI還不能做到對聲音的完全定制化。

比如歌手在唱歌的時候經(jīng)常會有一些臨時的歌詞改編啊，轉(zhuǎn)調(diào)啊等等，這些AI目前還無法做到。

而且AI視頻還有一點致命的缺點，你想要用AI唱歌，你首先得擁有這首歌的干音。。。

這個干音要么你自己唱，要么有歌手自己放出來，要么靠自己慢慢去調(diào)音，但這么一來，這些歌不還是人唱的嘛。。。

另外，AI工具潛藏著的使用安全問題，可能也會在日后讓人們限制它的使用范圍，由于這類AI工具簡單易用，這也就意味著它降低了某些人利用這些軟件做壞事的門檻。

在軟件的命令行界面，從作者為了規(guī)范責任，寫了這么一大串使用細則來看就知道，他們是真的怕！

你想想看，只要獲取了你數(shù)十分鐘的音頻錄音，我就能通過飧鋈砑茨Ｄ獬瞿闥禱暗納簟?

那么通過這種方式來進行電信詐騙的話，可信度就提升了很多，畢竟再怎么防，也很難會想到自己的身邊熟人的聲音，居然是用AI合成的。

不過工具畢竟只是工具，有人拿它來電信詐騙，也有人會拿它來紀念親人。

而且這類的視頻也已經(jīng)不少了，許多UP自己通過AI技術(shù)把已故藝術(shù)家們“復活”，比如這個使用AI技術(shù)讓相聲大師馬三立來講新相聲的視頻。

在評論區(qū)里有不少人聽著聽著，就流淚了。

感慨科技就應該在這個方向上使用。

還有UP，因為想念自己已故的奶奶，于是通過這種方式“復活”了她。

和自己的奶奶進行了一個隔空對話。

在AI鄧麗君的唱歌視頻下面，也有很多人對這種數(shù)字生命表達了感慨。

從嘲笑，到理解到愛上，最后成為數(shù)字生命。

這種種例子，不免讓人感慨，技術(shù)不同的使用方式，帶給人的是不同的體驗。

隨著AI技術(shù)的發(fā)展，我們可以大膽暢想，在不遠的將來，或許我們也能擁有這樣的數(shù)字生命，把已故的親人保留下來，哪怕只是和他對上幾句話，那也足夠慰藉了。