只需要演员五分钟的声音素材，就可以让他在电影里说另外一种语言？
在没看到这段视频之前我是不相信的，来听听这段效果如何：
这段视频取自《博多之子》（英文名 Every Time I Die），是一部英文惊悚片。
但是我们在播放中可以看到，只需要一键点击，就可以在任意时刻把英语转换为西班牙语，并且听起来还是原演员的声音。连说话中惊恐、颤抖的细节也忠实地继承了下来，给我们展示了一把 AI 配音的神奇力量。当然，这波操作也不出意外地打动了许多投资人。
制作这段内容的公司 Deepdub （深度配音），最近就在 A 轮融资中拿到了 2000 万美元。投资人中还包括福克斯电视工作室前总裁、Snyk 的联合创始人、Meta 的工程副总裁等。
AI 配音冲击传统模式
AI 配音何以这么受期待呢？因为这其中蕴含了巨大的商机。要知道，像在美国等地的英语观众是没有看字幕的习惯的。因此，面对一些非英语的优秀作品，他们有很强的本土化需求，也就是英文配音版本。例如前段时间爆火的韩剧《鱿鱼游戏》，在首映 28 天内，总观看时间就达到 16.5 亿小时，加起来相当于 18.2 万年。一举成为 Netflix 史上排名第一的节目。可是这么大一块蛋糕，从传统的角度来说，吃起来却相当费劲。
△图注：《鱿鱼游戏》播放量，右栏第一排
例如，本地的发行商得花钱翻译剧本吧，得聘请配音演员扮演角色、租场地设备、完成大量的配音录制吧，最后还要把配音拼接到原视频中。这里面还面临着很多文化差异。这一套下来，按照行情怎么说也要 15-20 周。
而 Deepdub 的 AI 配音方法只需要原演员录制五分钟的随机文本，让神经网络学习演员的声音然后用另一种语言表达出来。听起来就像原演员学会了另一种语言，并且时间上只用四周就可以完成相同的工作量，包括翻译、改编、混音等过程。在技术细节方面，Deepdub 没有公开太多，或许可以用在 GitHub 上大火的 Mocking Bird 做参考。只需要五秒钟，就可以克隆任意的中文语音，再用同一音色合成其他语音内容，实现从语音到文本再到语音的过程。模型结构主要由说话人编码器（Speaker encoder）、合成器（Synthesizer）和声码器（Vocoder）组成。
其中说话人编码器（绿色）负责提取说话人语音的特征向量，学习音色。然后再执行传统的 TTS（Text-to-Speech）环节：在合成器（蓝色）中把语音特征融入指定文本，以梅尔频谱为中间变量，将生成的语音频谱传给声码器（红色）。
最后使用深度自回归模型 WaveNet 作为声码器，用频谱生成最终的语音。不过，Deepdub 虽没有透露自己的技术细节，但是他们声称已经在这个学术研究领域处于领先地位。这么说也是有些可信度的，从他们的产品、获得的投资和兄弟创始人背景中也能看出来：弟弟 Nir Krakowski 有 25 年的专业研发经验，哥哥 Ofir Krakowski 还曾在以色列空军机器学习部门任职……
AI 配音赛道多家竞速
当然，看上这块市场的也不止 Deepdub 一家，只是策略上有些不同。Deepdub 走的是修改音频的路，视频内容原封不动。他们打算将用这轮融资的钱扩充团队的营销、研究和工程部门，并且正在和好莱坞谈合作。
英国公司 Papercup 采取的方法和 Deepdub 类似，也是专注于音频，通过机翻重新部署原演员的声音，使用合成声，保持视频不变。而另一家 Flawless 在音频上还依靠配音演员，但是会编辑视频中的人脸和口型，看起来更像是在说目标语言。
像其他的，还有亚马逊等科技巨头也在做相关的研究，但是现在还没有产品出来。这么看来，或许我们将来真的可以造出视频界的“巴别塔”，在网剧这块做到无障碍交流。又或者，某些个别演员真的不用背台词了？