麻省理工學(xué)院的研究人員發(fā)明一種技術(shù)，能夠僅憑借聲音描繪出人臉

據(jù)阿根廷布宜諾斯艾利斯經(jīng)濟(jì)新聞網(wǎng)6月18日報(bào)道，僅憑聲音就可以描繪出人臉，這聽起來似乎匪夷所思?，F(xiàn)在一個(gè)名為Speech2Face的自主智能學(xué)習(xí)系統(tǒng)已經(jīng)將其變?yōu)楝F(xiàn)實(shí)。

據(jù)麻省理工學(xué)院的研究人員稱，這個(gè)系統(tǒng)實(shí)際上就是一個(gè)神經(jīng)網(wǎng)絡(luò)。他們搜集了來自YouTube等網(wǎng)站上的海量視頻，而所有視頻內(nèi)容都是人在講話。隨后他們利用這些資料對這個(gè)能夠自主智能學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)加以訓(xùn)練。通過訓(xùn)練，這個(gè)系統(tǒng)學(xué)習(xí)到了聲音和面部特征的相關(guān)聯(lián)系，掌握了講話者的一些基本特征，例如年齡、性別、種族和音色等。

報(bào)道稱，自主智能學(xué)習(xí)系統(tǒng)能夠利用聲音與面部特征的關(guān)系，根據(jù)少量聲音片段大致推測出一個(gè)從未見過的講話者的面容。

值得一提的是，該系統(tǒng)并不能準(zhǔn)確還原一個(gè)講話者的面容，而是只能根據(jù)學(xué)習(xí)到的基本特征大致模擬人臉圖像。

研究人員指出，這是因?yàn)樵撓到y(tǒng)的訓(xùn)練方向就是捕捉與年齡、性別等特征相關(guān)的視覺特點(diǎn)，而這些特點(diǎn)屬于多位講話者的共性。在海量資料的基礎(chǔ)上，該系統(tǒng)只有在從未見過的講話者身上找到足夠多的共性之后，才能大致模擬出一幅人臉圖像。因此這幅圖像無法做到精確還原講話者的面容。

此外，雖然該系統(tǒng)的資料庫規(guī)模龐大，但畢竟無法涵蓋全世界所有人，因此該系統(tǒng)模擬出來的圖像仍需要進(jìn)一步調(diào)整和完善。

目前該系統(tǒng)面臨的最大挑戰(zhàn)就是如何給這個(gè)資料庫擴(kuò)容，進(jìn)而使其描繪的講話者面容更加接近原型，但這項(xiàng)任務(wù)絕非易事，仍需研究人員進(jìn)一步努力。