（文章來源：OFweek安防網）

在今年早些時候，一段關于法國音樂家Fran oise Hardy的YouTube視頻在網上流傳。視頻中，臺下的人問她，為何唐納德·特朗普會讓其新聞秘書Sean Spicer在就職典禮人數一事上撒謊。Hardy回答說，此事是極有爭議的，Spicer先生給出了“多種事實”。

這一視頻的內容很奇怪，尤其是Fran?oise Hardy女士本人。雖然她現在已經73歲了，視頻中看起來卻只有20歲，而且她說話的聲音像極了特朗普的顧問Kellyanne Conway女士的聲音。

實際上，這段視頻是德國藝術家Mario Klingemann的杰作“Alternative Face v1.1”，通過用一個人的臉建模生成式對抗網絡，生成新的面孔。這是基于Conway女士的一段NBC采訪生成的假視頻，原本是關于Conway女士一段聲名狼藉的對話，卻通過Hardy女士之口說了出來。Mario Klingemann使用不同的聲音片段作為輸入數據，基于Fran?oise Hardy女士的臉進行訓練。

視頻看起來有些搖晃，且像素也被調整過。其實通過視頻軟件來制作可能畫面效果會更好，但是Klingemann沒有使用編輯軟件來完成視頻，相反，他只花了幾天時間在臺式電腦上用一種機器學習算法——生成式對抗網絡（GAN）來創建了一個剪輯視頻，電腦被強制輸入Hardy女士的音樂視頻后，自動生成了Klingemann想要的聲音片段，在這段假視頻中放出的聲音片段其實是不存在的，Hardy女士從未說過這些話。

Klingemann先生的實驗讓虛假視頻走入大眾視線，預示著未來可能會有一場關于真偽視頻的戰爭。原本書面的信息可以輕易的偽造，圖像和聲音卻難以偽造，因此圖像和聲音證據原是非常可信的，但目前GAN的存在可能會改變這一局面，它可能會讓圖像和聲音變得也不那么可信了。

事實上音頻更容易偽造。通常情況下，計算機通過連接大量語音短記錄片段來創建一個句子，這也是Siri聲音的生成原理。但這樣的數字聲音受限于它們記住的片段范圍，因此數字聲音只有在說到某些特定短語的時候才聽起來真實。

而GAN 生成音頻的工作方式則不同，它使用神經網絡算法來學習音頻源的統計屬性，然后在任何其他的上下文中再現這些屬性，以毫秒級而非秒級的片段建模。如果我們想要讓特朗普或者其他任何一個公眾人物說出指定的話，其實就是將對應人物的演講材料作為輸入，告訴算法你想要輸出的語音是什么。在過去幾年里，谷歌在英國的DeepMind團隊，百度在硅谷的深度學習研究院和蒙特利爾研究院，都發表了從文字到語音的高性能算法。目前這些算法只有大型公司的計算能力才能實現，但這種情況終將改變。

相比音頻，機器生成圖像更難實現。 2014年，Ian Goodfellow推出了GANs，彼時他還是 Yoshua Bengio在MILA的學生。盡管深度學習允許機器能夠輕易完成圖像識別的任務，辨別不同種類的數據，比如機器能輕易分辨一張貓和一只狗的圖片，但是想要機器能自動生成貓和狗的圖片就沒那么容易了，計算機很難通過數據庫中的大量訓練圖像，自動生成有意義的圖片。

Goodfellow轉而想到了另一種方法實現圖像生成：競爭。不再請求軟件憑空生成有用的東西，而是提供了另一個軟件作為原軟件的對手來推動圖像生成。對手會辨別原軟件生成的圖像，判斷它們是否“真實”。通過試圖愚弄對手，生成軟件學會創造看起來真實的生成圖像。對抗軟件“了解”現實世界是什么樣子，因此賦予了生成圖片意義和界限。

目前，GANs可以根據一句語言的描述，生成小型的郵票大小的圖像。當你告訴GANs，“這只鳥是白色的，有一些黑色頭和翅膀，并有一個長長的橙色喙“，它會為你畫出來。可能畫出來的圖像并不完美，但一眼看過去卻很真實。

當時這樣的算法效果并不出奇，但GAN的發展非常迅速。在過去五年中，由相似算法推動的照片分類軟件錯誤率已從25％降低到百分之幾。人們期望圖像生成領域也能取得同樣的進展。谷歌的機器學習藝術家麥克·泰卡已經通過訓練GANs算法生成了人臉的圖像，分辨率像素大小為768，這像素超過了以前同等研究實驗像素的兩倍。

Goodfellow現在在搜索巨頭谷歌的內部AI研究院Google Brain工作，如果一定要估計這一算法實現時間的話，他認為，生成YouTube假視頻有可能在三年內實現。其他人則認為可能需要更長時間。但是所有人都同意這只是時間問題，而不是能不能實現的問題。Goodfellow說道，“我們認為AI會改變我們所信賴的證據——圖像和音頻”。
? ? ? （責任編輯：fqj）