新浪科技 李根

百度在今年4月1日用张国荣的国语声音语料，完成了这位已逝明星的声音“再现”。这项技术背后主要依托机器对自然语言的理解和处理，只要让机器通过对声音语料的学习，就能生成语言模型，实现指定人物的发音模仿。

这种声音模拟技术目前进展迅速，而且早已不是巨头的游戏。

新浪科技了解到，位于美国加州的初创企业ObEN，能够提供迅速、准确的电音模拟技术。用户只需要念上两分钟由ObEN指定的文字，他们的电音就能被模拟出来，并且被用在唱歌、朗诵、用一切可以想象到的语言做一切可能的事情。

ObEN团队的另一项三维图像重建技术，还能够迅速地通过一张自拍照片为消费者建立三维人脸模型，让虚拟世界与现实世界之间的距离，更进一步。

模拟技术给声音带来新可能

这项声音模拟技术，有着许多动人的未来蓝图。

比如将家里小朋友的声音记录下来，而这个声音模型，可以一直保留到他长大成人，还可以说新的内容；比如电影在国外放映时，可以使用由明星原声而制作的外文配音，让他们本人的声音也能顺利“出口”；而对时尚博主们来说，别说采访韩国、欧美明星了，就算时尚博主们进军印度、土耳其、甚至非洲，也可以轻松用当地语言进行采访。另外，人们与家人分隔两地时，也可以通过这项技术，在各类智能设备中听到亲人熟悉的声音。天涯若比邻，不再是一种想象。

这些蓝图，让ObEN已经成功和各个行业企业达成了合作意向，其中包括与美国最大的玩具公司合作开发智能玩具，跟好莱坞最大的配音公司以及电影公司合作等等。

虽然有了以上各类可预见的蓝图，电音模拟技术，听起来还是有些抽象。具体来说，ObEN是这样做到给消费者的声音提供各种使用方案的。

首先，这项业界领先的技术大大缩短了发声模型的训练时间。也就是说，消费者们只需要花上2-3分钟念出指定的文字，ObEN就能通过人工智能领域的机器学习技术，制作出消费者的专属电音模型。这就像每个人有着独特的指纹一样，ObEN能够通过深度学习，获取每个用户的“声纹” 。要知道，如今市面上所有的专属发声模型都只有少数人可以体验，并且需要好几天、甚至几周的时间录入数据。

再者，有了这个电音模型，ObEN可以做到让消费者本人的电音，用中文、日语、韩语、乃至世界上任何一种已经存在的语言说话、唱歌、朗诵等等，而非局限于源声音的语言种类及用法。试想，一个完全不懂中文的美国白人，可以用他的自己的电音唱秦腔；一个中国人，也可以听到自己唱出的宝莱坞歌曲了。

除了精进算法以外，使用这个技术的消费者们越多，ObEN的电音模型就会越逼真。

ObEN的声音模拟技术背后，有着UCLA（加州大学洛杉矶分校）以及CalTech（加州理工学院）两所重量级院校的计算机人才们。在决定开发这个技术后，ObEN的两位Co-founder Adam Zheng与Nikhil Jain 邀请到了UCLA的声学研究所所长Abeer Alwan以及CalTech的高级计算机科学家Julian Bunn合作开发。这两位教授，以及他们的其他合作伙伴与博士生们，都为ObEN在自主研发声音模拟技术的过程中提供了重要帮助。

声音模拟x新锐科技

更重要的是，如今科技行业里的许多主要方向，也将因为这个技术而更进一步。

首先，各类机器人的拟人化，将因为能够接入真实、可控的声音模型而更加成功。一个具体的例子就是在今年的CES期间，ObEN和凯撒娱乐集团以及微信进行合作，在凯撒娱乐旗下酒店里，提供名为“Ben”的虚拟客服。住在凯撒娱乐集团旗下的LINQ酒店的客人可以通过关注凯撒娱乐集团的微信号，在手机上跟Ben互动——他能够以任何声音或语言来进行回复。

而且，哈工大机器人集团与ObEN合作也在LINQ酒店大堂里提供了迎宾机器人，让虚拟客服Ben“实体化”成了一个看得见摸得着的机器人，客人们可以通过与迎宾机器人的沟通，直接感受到多语言、多声音的机器人提供的便捷服务。

再次，声音模拟技术，将在虚拟现实领域有着极多发展机会。比如在虚拟教育领域，当声音来自真实的老师、同学时，孩子们会更容易沉浸其中；再比如在虚拟医疗领域，更真实的声音也会让患者更加轻松。

结合三维图像重建，重新定义虚拟世界

早在1946年，美国学者埃德加·戴尔提出的“学习金字塔”（Cone of Learning），以及多年来认知科学界的研究，都证明了当听觉与视觉结合时，人类的理解、学习能力更强，远远超过只有听觉、或只有视觉。

也正是因此，为了进一步缩短虚拟世界与真实世界之间的距离，ObEN团队还开发了基于手机的写真级的三维人脸重建技术。声音与图像紧密配合，未来的想象空间极大。

在过去十几年间，对未来游戏的一个常见想象就是，玩家以几近真实的相貌及声音，在游戏世界里闯荡。

而ObEN提供的声音模拟及三维图像重建技术，很可能在现实里第一次实现这种想象。

其实，三维人脸重建技术并非ObEN首创。在准确度上，使用深度摄像头进行较长时间的扫描，建立的模型也必定更加真实。然而这种耗时长、需要深度摄像头的三维重建技术，想要在消费者端普及使用，极为困难。

因此，ObEN选择了开发只需使用手机拍摄一张照片，就能由平面照片生成三维人脸模型的技术。这项技术基于机器学习，通过大量学习二维照片与相应三维模型的关系而最终成型。当然，假如消费者们愿意多提供几张照片，比如侧面照等，也会让ObEN最终呈现的三维模型更为准确。

正如上文中提到的，这项技术在虚拟现实/增强现实领域，有着极多可能性，包括教育、医疗、游戏、设计、音乐等。几乎可以说，只要是需要人物的地方，都可能需要。这也意味着ObEN与许多虚拟现实行业内的企业都有着合作可能。

比如在医院中，相比一个卡通形象的虚拟医生，患者自己的医生的虚拟形象必定更受患者青睐。在VR教育领域，假如小朋友们能看见、听见真实的同学、老师，教育效果也会好不少。最重要的是，只要消费者们使用ObEN提供的这种三维图像重建技术，就能轻松地把社会关系导入到虚拟世界里。

这一特点，是当年QQ、微信大火的基础，而有了ObEN，在虚拟现实领域的杀手级应用，我们也能有所期待了。

虚拟现实元年，发展空间极大

2016年是虚拟现实/增强现实（VR/AR）的元年，而ObEN的声音模拟技术与三维图像重建技术，很有可能成为VR/AR发展的重要助力。

近几年，业界一致强调虚拟现实中3D音频的重要性。而可以提供不同声音、语言的ObEN，则是在3D音频技术之外，补足了虚拟世界里声音的“内容”这一部分，让虚拟世界里的声音，更具有吸引力。

而声音与图像技术的结合，也是ObEN乃至VR/AR界可预见的重要方向。ObEN已经开始自行开发应用，尝试将两项技术结合。他们即将推出的全新的VR/AR交友App，就是希望能够“复制”出每个用户的虚拟形象与声音，这意味着不论你在线与否，都可以跟有着真实虚拟形象的其他用户进行交流。

“我们认为在未来，每个人都需要一个与自己形象相符的虚拟世界助手，”ObEN的COO Adam Zheng说道。在VR/AR领域，这样的虚拟世界助手可以在各方面为自己的主人服务。

据了解，ObEN已入选HTC的Vive X加速器项目， 在一千多个项目中脱颖而出，与其他32家创业公司共同探索虚拟现实领域的未来可能。据Adam透露，加速器项目中不少虚拟游戏公司已经对ObEN的这两项技术表达了兴趣。

ObEN成立于2014年，主要创始人分别为COO Adam Zheng以及CEO Nikhil Jain。其中，Adam是清华大学环境工程硕士、伯克利金融工程硕士、UC Davis交通工程博士，他也是百合网的联合创始人以及光速创投的投资合伙人。Nikhil Jain 拥有南加大的MBA学位，是加州地区的连续创业者。ObEN的首席工程师Dr. Mark Harvilla是卡耐基梅隆的电子工程学博士，曾师从Richard Stern（Apple Siri的负责人Alex Acero的导师，李开复的博士毕业论文指导教授之一）。