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

新智元报道

编辑：桃子 好困

【新智元导读】Sora突破之后的突破又来了！语音初创公司ElevenLabs放大招，直接用AI给Sora经典视频完成了配音。网友惊呼离AI完全生成电影又近了一步。

虽然一些人不想承认，但AI视频模型Sora的开年王炸，确实给影视行业带来了颠覆性的影响！

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。

汽车卯足劲向前行驶的声音，偶尔还能听到石子与轮胎的摩擦音。

还有这欢乐喜庆的中国舞龙表演，敲锣打鼓人声鼎沸，好不热闹。

地铁在轨道中咔哒咔哒行驶，还伴有空气被压缩发出隆～隆～的声音，让人有种耳塞的赶脚。

机器人的专属配音，直接将赛博风拉满，听过后就知道是那种「熟悉的味道」。

东京街头上，靓丽的女人提着手提包在路边行走，高跟鞋哒哒哒与步伐完全吻合。还有那汽车鸣笛，路人说话的声音体现的淋漓尽致。

惊涛骇浪撞击着岩石，海鸥在高空中飞翔，叫声高亢嘹亮。

老奶奶开心地吹灭蜡烛，笑容洋溢在每个人的脸上，片刻美好，只希望时间能够按下暂停键。

三只可爱的金毛在雪地中嬉戏打闹，兴奋地汪汪大叫。

更令人震撼的是，下面这个视频直接配出了「纪录片」的高级感。

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。

网友惊呼，「这简直离完全由AI生成电影又近了一步」！

堪称突破后的突破！

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。

目前，我们还没有创造出如此高质量的「AI音频引擎」。

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」？

别慌！

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。

自去年1月发布beta版平台以来，ElevenLabs便受到了创作者们的热捧。

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。

OpenAI下一次颠覆，又是万亿美元产业？

还记得ChatGPT诞生之后，OpenAI随后为其「联网」，并发布了全新的插件功能。

那些初创公司们紧跟着，上线了一大波插件应用。

没想到，从3月发布截止到11月，仅仅半年多的时间，一些初创公司却遭到「屠杀」。

在首届开发者大会上，Sam Altman首次公布定制GPTs，以及即将上线的GPT Store。

可以说，基于OpenAI接口构建创业公司，产品忽然就失去了意义。许多初创公司的产品，已经没有了护城河。

当时有网友便发问，OpenAI入局智能体后，全球十家头部Agent初创公司接下来该做什么？

而现在，首个AI视频模型Sora的横空出世，已经让许多影视行业的人，倍感恐慌。

有网友表示，「Sora虽然有一些不完美之处（可以检测出来），例如从物理效果可以看出它是人工合成的。但是，它将会革命性地改变许多行业。

想象一下可以生成动态的、个性化的广告视频进行精准定位，这将是一个万亿美元的产业」！

对于Sora的应用前景，有望在未来成为视频制作领域的重要工具。

等OpenAI发布能够视频-音频大模型之后，对于如上专门配音的初创公司ElevenLabs来说，都将是一场「灾难」。

「我认为大多数人都不能理解，这对不久的将来的生活意味着什么」。

未来，无论是电影、电视剧、广告，甚至游戏等领域，高质量视频创作，都将被AI入侵。

在那一天还没到来之前，想想我们还能做些什么？

参考资料：

https://twitter.com/elevenlabsio/status/1759240084342059260

https://twitter.com/DrJimFan/status/1759287778268025177