這幾年 AI 合成歌聲技術(shù)（下文簡(jiǎn)稱 AI 合成）發(fā)展得很迅速，我認(rèn)為在現(xiàn)在這個(gè)時(shí)間點(diǎn)（2022 年下半年），AI 合成已經(jīng)沒(méi)必要只朝著像人聲的路上繼續(xù)走了。

一是邊界遞減效應(yīng)是很恐怖的，比如從 98% 到 99% 像人聲的難度，可能遠(yuǎn)比從 90% 到 98% 像人聲難，就像用 AI 識(shí)別物體，準(zhǔn)確率提升到一定程度后就非常難提升了。如果以像人聲的標(biāo)準(zhǔn)來(lái)衡量，就會(huì)發(fā)現(xiàn) AI 合成的發(fā)展會(huì)變慢甚至停滯。（比如我們會(huì)看到這樣的討論，即使再過(guò)幾年。a：這首合成的歌真像人聲啊。b：有不少細(xì)節(jié)明顯有合成的痕跡，一耳朵就聽(tīng)出來(lái)了。）

二是像人聲并不是一個(gè)具體可靠的標(biāo)準(zhǔn)，不同人的聲線以及唱歌的方式都不一樣，有些人甚至一唱歌就跑調(diào)，像這樣的人聲并沒(méi)有價(jià)值。而且人聲有一些難以避免的缺點(diǎn)，不然人聲后期也不至于那么麻煩，AI 合成沒(méi)必要為了像人聲把那些缺點(diǎn)也一起學(xué)去，給大家制造麻煩。

三是僅僅像人聲并沒(méi)有足夠高的競(jìng)爭(zhēng)力，就像很多人會(huì)唱歌，但能火起來(lái)或者至少能靠唱歌賺錢的歌手并不多，人都不是像人而是是人了，照樣沒(méi)有競(jìng)爭(zhēng)力。即使從降低成本的角度看，找那些沒(méi)什么名氣的小歌手成本也未必高，轉(zhuǎn)向 AI 合成未必能節(jié)省成本。如果只是在創(chuàng)作歌曲時(shí)錄制 demo，那么也并不需要很高的標(biāo)準(zhǔn)，可能現(xiàn)在的技術(shù)已經(jīng)足夠了。

所以 AI 合成繼續(xù)發(fā)展的話，就要具有人聲所沒(méi)有的優(yōu)勢(shì)，而且這優(yōu)勢(shì)不能只是一些特色（傳統(tǒng)的聲庫(kù)一樣有不少特色），而是有商業(yè)價(jià)值的優(yōu)勢(shì)，而且僅僅成本低這一點(diǎn)肯定是不夠的。

讓 AI 合成出真人發(fā)不出來(lái)的聲音是一個(gè)方向，但“真人”是一個(gè)非常寬泛的概念，比如有些人會(huì)口技，模仿各種樂(lè)器都惟妙惟肖，如果是人類完全無(wú)法發(fā)出的聲音，那么其實(shí)是挺困難的，或者很難符合大部人的喜好。朝這個(gè)方向走，很容易又陷入傳統(tǒng)聲庫(kù)受眾小的境地。所以我認(rèn)為 AI 合成的優(yōu)勢(shì)不能只體現(xiàn)在聲音局部的特點(diǎn)上。

AI 其實(shí)并不擅長(zhǎng)處理具體的細(xì)節(jié)，而更擅長(zhǎng)整體的事情，尤其是對(duì)人類來(lái)說(shuō)工作量巨大的事情。所以我認(rèn)為從這個(gè)角度想就可以找到 AI 合成的優(yōu)勢(shì)。

比如現(xiàn)在的一首歌，對(duì)我們來(lái)說(shuō)基本是固定的，雖然每個(gè)歌手的唱法會(huì)有一些差異，但還是相同的地方居多，同一個(gè)歌手唱多遍的效果就更接近了。但是 AI 合成是可以實(shí)現(xiàn)每一次唱都有明顯差異，同時(shí)我們又能聽(tīng)出來(lái)這些不同的版本有一些共同點(diǎn)，就像一首歌的不同版本。這樣一首歌就不再是死的，而是活的。甚至聽(tīng)眾不再只能被動(dòng)地聽(tīng)歌，而可以通過(guò)交互來(lái)改變聽(tīng)到的內(nèi)容，同時(shí)不需要任何專業(yè)知識(shí)（比如在聽(tīng)歌時(shí)隨便感嘆幾句，或者通過(guò)表情和動(dòng)作的變化，就可以改變這首歌后邊的內(nèi)容，或者下一遍聽(tīng)到的內(nèi)容）。如果能實(shí)現(xiàn)這一點(diǎn)，那么對(duì)現(xiàn)有的音樂(lè)行業(yè)可能會(huì)產(chǎn)生不小的沖擊。我稱這種歌曲為“互動(dòng)式歌曲”，而這種歌曲如果不借助 AI 的力量，制作成本是非常高昂的，基本不可實(shí)現(xiàn)。

還可以更激進(jìn)一些。即使是上邊的互動(dòng)式歌曲，聽(tīng)眾的主動(dòng)權(quán)依然是比較小的，大家依然需要去到處找自己喜歡的歌。而 AI 的發(fā)展可以改變這種流程，改變聽(tīng)眾和歌曲的這種消費(fèi)者與消費(fèi)品的關(guān)系。比如某個(gè)人今天心情比較好，想聽(tīng)開(kāi)心的歌，現(xiàn)在基本要么去聽(tīng)自己以前聽(tīng)過(guò)的開(kāi)心的歌，要么去找新的開(kāi)心的歌（比如各種軟件的分類或者推薦之類，可能找了半天才遇到一首喜歡的，到那時(shí)開(kāi)心勁早過(guò)去了）。這就像一個(gè)人今天開(kāi)心想吃頓大餐，要么點(diǎn)以前吃過(guò)的菜，要么點(diǎn)以前沒(méi)吃過(guò)卻在菜單上的菜，自由度是很低的。但 AI 可以讓他定制自己的需求，比如他很開(kāi)心地說(shuō)一些話或者做一些動(dòng)作后，AI 通過(guò)海量的數(shù)據(jù)實(shí)時(shí)生成了一首剛好符合他此刻狀態(tài)的歌，而他在聽(tīng)這首歌時(shí)，依然可以繼續(xù)反饋來(lái)改變這首歌。這就像一個(gè)人想吃大餐了，直接找到他的私人廚師定做，而且吃的過(guò)程如果不滿意還可以隨時(shí)調(diào)整。

雖然現(xiàn)在看起來(lái)這些想象有些天馬行空，但從技術(shù)難度上看，未必比讓 AI 合成的歌聲非常像人聲更難，只是方向不同。而且不需要做得多么極致就可以滿足很多人的需求了，就像很多聽(tīng)眾聽(tīng)聽(tīng)流行的口水歌就滿足了，不需要多么高雅或者技術(shù)含量多么大的音樂(lè)。而實(shí)時(shí)合成那些要求并不高的為私人定制的音樂(lè)，未必很難。（舉例來(lái)說(shuō)，現(xiàn)在 AI 合成圖畫的技術(shù)已經(jīng)可以讓很多人驚嘆了。）

所以我認(rèn)為 AI 合成出足夠像人聲的音樂(lè)不是終點(diǎn)，而是起點(diǎn)。正因?yàn)樽銐蛳袢寺暳耍赡?90% 像人聲對(duì)大部分人來(lái)說(shuō)就已經(jīng)可以接受了，喜不喜歡這首歌的原因不再和是否像人聲有關(guān)，而是是否喜歡旋律、聲線、歌詞、風(fēng)格等等），才能得到大眾的支持。一旦滿足了大眾的要求，就可以往 AI 更擅長(zhǎng)的方向發(fā)展，比如為私人定制可交互的音樂(lè)，或者讓對(duì)音樂(lè)相關(guān)技術(shù)不了解的人也有能力靠自己創(chuàng)作出歌曲（而不用像現(xiàn)在這樣需要找其他分工的人）等等。