GitHub 上有个项目叫 Voicebox,五万五千多颗星,MIT 协议,装在自己电脑上就能用。几秒钟的录音就能克隆一个人的声音,七个语音引擎、二十三种语言,还能让 Claude Code 这类编程助手开口跟你说话。所有声音数据都留在本机,不上传。
推文里的结论是:隐私和成本,从此不再是回避声音克隆的理由。
这句话是对的。但它说漏了一件事:成本归零之后,剩下的那道门槛,一直都不是钱。
打开它的官网,首页有个演示,点一下就能听。声音档案的名字一排排列着:摩根·弗里曼、斯嘉丽·约翰逊、奥巴马、奥特曼,还有 Anthropic 的 CEO Dario Amodei。点「摩根·弗里曼」,那个熟悉的低沉嗓音念出一段台词,大意是:我解说过企鹅,解说过星系,解说过整部人类史,可没想到有一天,电脑听了我五秒钟的录音,就学会了我的活。
写得很妙,妙到有点刺耳。
因为同一个项目自己的文档里,白纸黑字写着:声音克隆只能在取得同意的前提下使用,请确认你有权克隆这个人的声音。
它还有一份规划文档,讲以后上线云端版要怎么做。里面有一条:用户上传声音时,勾一句「我有权使用这个声音」,记下时间,存档。紧接着作者自己补了一句,这句勾选不能免除索赔,只是一个法律姿态。
我很欣赏这句坦白。它等于承认,技术上没有任何东西能拦住你,拦住你的只有那一个勾。
首页那些名人的声音有没有取得授权,页面上没有说明。我不下结论。但有一件事是公开发生过的:2024 年,OpenAI 发布了一个叫 Sky 的语音,斯嘉丽·约翰逊站出来说,这声音像她像得让人不舒服,而她此前拒绝过 OpenAI 的邀约。OpenAI 随后把这个声音下线了。同一年,美国田纳西州通过了一部法律,把一个人的声音列进了受保护的范围。
一个人的声音,第一次被当成了跟肖像一样的东西。
前两天我写谷歌的语音模型,结尾说,把一个人的声音交给别人的服务器,这笔账不是用美元算的。Voicebox 解决了上半句:声音不用交给任何服务器了。
可下半句还在。声音留在你自己的电脑里,它也还是别人的声音。
五秒钟就够克隆一个人。五秒钟,也够问一句:他同意了吗?