夜雨聆风你的声音，可能会向AI出卖你的长相。
麻省理工学院的科学家开发出一款AI，它能通过几秒钟的音频，还原出说话者的容貌，相似度非常高。
年龄、性别、种族、五官特征、脸型、发型、胡须造型，这些它都能会绘制出来……
听起来似乎有些细思恐极，但AI技术就是一把双刃剑，它可以逮捕罪犯，也可以伤害无辜者。以下，Enjoy：
猜准年纪和性别，对大部分人来说不难，声音特质已经透露出这些信息。
但猜对具体的容貌却非常困难，人们只能回想脑海里有类似声音的人，把他们的脸贴上去。
科学家创造它的目的，是想知道人类能在多大程度上，通过一个人的声音推断出他的长相。
人类说话靠的是振动声带，它是位于喉部的左右对称的两瓣肉。声带的长度和宽度是影响我们音调高或低的主要原因，因为男性的声带较女性更宽，所以音调更低。
声带振动后，声音在我们的胸腔里嗡嗡作响，大部分从喉咙里传出去。
同时，它还会把声音从声波转成声谱图，然后传给人声编码器，找出其中的声音特征。
在大量视频的训练下，它只需要听3秒或6秒的音频，就能画出人脸。
比如，放美国情景喜剧《神烦警探》中男二霍尔特讲笑话的音频片段，Speech2Face会画出下方右侧的图。
其他测试对象还有白人老太太、非裔男子、拉美女孩和白人男性，左边的真人图和右边的AI图对比，都挺像。
科学家解释说，是因为AI在数百万视频中找到同一类人群相似的外形特征。比如非裔女性常是高挑眉，老年人永远头发稀疏，印裔男子喜欢留胡子，非洲男性戴顶小帽子。
在性别、种族特征符合后，这些边缘的外貌特征也会被画出来。
“我们使用的训练数据来自油管上的教育视频合集，不能代表全世界的人。” 他们在论文里写道，“因此，就像其他机器学习模型一样，我们的模型也受到数据分布不均的影响。”
这种刻板印象也和语言有关，当亚裔男性说英语时，Speech2Face以为他是白人男性，当他说中文时，种族又对了。
麻省理工的科学家们还做了一个“卡通转换系统”，让Speech2Face听到音频后绘制出说话者的卡通图，准确率也挺高的。
“那些不愿露脸的油管博主现在肯定在瑟瑟发抖。”
“我们的方法不能从声音中复原一个人的真实身份（即他们脸部的确切图像），因为我们的模型是捕捉多人共有的视觉特征，只能生产大众化的平庸面孔，不能制作特定长相。我们的AI图像不能反映出真人的实际相貌。”
话是这么说，可从对比图上看，AI的结果已经很接近真人照了。
过去几年，爱尔兰、西班牙、日本和美国都在研究如何用音频构建人脸，其中走得最远的是卡内基梅隆大学的丽塔·辛格（Rita Singh）。
她先是比较了人耳无法察觉的发音上的特征，然后把报警电话分割为几毫秒的小片段，用AI梳理它们寻找信息点。
靠着微弱的信息，丽塔不光能知道报假警的人大致长什么样，还能知道他所处的环境，比如房间的大小，是否有窗户，以及墙壁用什么材料制成。
最后，丽塔不仅解决了恶作剧电话，还解决了儿童性骚扰案件。
https://www.fastcompany.com/90357561/this-ai-guesses-human-faces-based-only-on-their-voices
https://speech2face.github.io/supplemental/index.html
https://www.youtube.com/watch?v=aKYlSIs3UDY
