伊峻宇 金麗娜

（作者單位：長春師范大學傳媒學院）

隨著智能手機的普及和移動互聯(lián)網(wǎng)的快速發(fā)展，短視頻以“短、平、快”的特點迅速風靡網(wǎng)絡，成為人們?nèi)粘Ｉ钪兄匾膴蕵沸问胶托畔碓矗S著人工智能技術(shù)的不斷發(fā)展，AI配音作為人工智能技術(shù)中的一種應用，越來越多地被應用到短視頻的創(chuàng)作中。

抖音短視頻平臺作為全球用戶量最大的短視頻平臺之一，在改變?nèi)藗冇^看習慣的同時，也影響著短視頻的創(chuàng)作方式。為了方便用戶創(chuàng)作、滿足用戶多樣化的需求，抖音App引入AI配音技術(shù)。該技術(shù)通過人工智能算法分析文本和視頻內(nèi)容，并自動生成相應的配音，使得用戶無須花費額外的時間和精力來錄制音頻。這不僅提高了用戶的創(chuàng)作效率，還增加了視頻的多樣性，使得用戶可以更加靈活地表達自己的創(chuàng)意和想法。

1 AI配音的概念和基本原理

1.1 相關(guān)概念

配音，主要指“畫外之音”，即配合畫面的有聲語言，無論是新聞、專題、廣告，還是人物、事件、景觀，一切以畫面為基礎(chǔ)，通過有聲語言加以詮釋展現(xiàn)的都可以稱其為配音[1]。而AI配音是指通過人工智能技術(shù)對文本進行語音合成，實現(xiàn)文字轉(zhuǎn)化為聲音的過程。它采用了語音合成技術(shù)，在保留語音自然度的同時，能夠為用戶提供高質(zhì)量、個性化的語音服務。

1.2 基本原理

AI配音的基本原理包括文本處理、語音合成和音色調(diào)整三個環(huán)節(jié)。首先，系統(tǒng)需要對輸入的文本進行處理，將其分析成語義信息，并進行模型訓練和優(yōu)化。其次，利用文本處理后得到的語義信息，采用生成模型進行語音合成，生成符合語法規(guī)則和習慣的語音內(nèi)容。再次，根據(jù)用戶需求和個性化設置，通過音色調(diào)整技術(shù)對合成的語音進行音色調(diào)整以滿足用戶的要求。

AI配音技術(shù)依賴于強大的人工智能技術(shù)支持。其中，深度學習是重要的技術(shù)手段。它使用神經(jīng)網(wǎng)絡將輸入的文本轉(zhuǎn)化為符合特定語言規(guī)則和習慣的聲音信號。同時，語料庫作為訓練數(shù)據(jù)源，也起到了非常重要的作用。通過大量的訓練樣本，系統(tǒng)可以學習到不同語種、不同口音和發(fā)音習慣的特點，提高語音合成的質(zhì)量和自然度。

目前，AI配音技術(shù)在教育、娛樂、無障礙服務、智能客服、語音廣播等多個領(lǐng)域均有廣泛的應用。而在短視頻領(lǐng)域，AI配音也為用戶的創(chuàng)作提供了更多的便捷性、可能性和多樣性。

2 抖音App中AI配音的類型及應用

從廣義上來看，抖音App中的AI配音功能包括智能音樂和文本朗讀兩部分。

2.1 智能音樂

智能音樂又稱為歌曲配音，是通過智能技術(shù)自動識別和分析短視頻的畫面內(nèi)容，抓取畫面特征，并根據(jù)畫面風格為其搭配合適的音樂和歌曲。用戶只需要錄制或上傳視頻，AI算法就能夠自動識別畫面內(nèi)容，并根據(jù)畫面呈現(xiàn)的場景、情感等要素與音樂庫中的曲目進行智能匹配。這為用戶創(chuàng)作帶來了更多的可能性，讓他們能夠更加輕松地制作出高質(zhì)量的音樂短視頻。

2.2 文本朗讀

文本朗讀具有將文字轉(zhuǎn)化為音頻的功能，在短視頻制作過程中制作者只需要輸入文字，再在文本朗讀功能區(qū)選擇合適的語言風格和音色，人工智能便可以快速完成配音。該功能使得制作配音更加高效，還能夠滿足用戶對不同語言風格的需求，因此深受用戶喜愛。

本文所提到的AI配音主要指后者，即文本朗讀。借助先進的語音合成技術(shù)和深度學習算法，抖音App的AI配音能夠?qū)⑽淖洲D(zhuǎn)化為自然流暢的音頻，用戶只需輸入所需的文字，并選擇適合的語言風格和音色，即可快速完成配音過程。

目前，抖音App的文本朗讀功能區(qū)主要分為特色方言、萌趣動漫、女生音色、男生音色、趣味歌唱五個版塊，可供用戶選擇的聲音風格和音色多達上百種。在用戶使用過程中，不同的風格與音色也被應用于不同的短視頻類型之中。當然，何種風格和音色應用于何種短視頻之中并沒有一定之規(guī)，用戶可以根據(jù)自己的需求自由選擇，不同聲音形式的特點不同，要根據(jù)需要選擇合適的聲音表達形式，以達到最佳效果[2]。

3 AI配音在短視頻創(chuàng)作中的作用

3.1 提高創(chuàng)作效率

AI配音可以自動將文字轉(zhuǎn)化為語音，節(jié)省了創(chuàng)作者錄制聲音的時間和精力，加快了短視頻制作的速度。傳統(tǒng)的短視頻制作中，創(chuàng)作者需要花費大量的時間和精力來錄制聲音。采用AI配音技術(shù)，創(chuàng)作者只需將配音文本編寫完成，即可一鍵聽取配音效果，快速生成短視頻，大大提高了短視頻的生產(chǎn)制作效率，提升了視頻的整體呈現(xiàn)效果[3]。同時，創(chuàng)作者可以更專注于其他重要的創(chuàng)作環(huán)節(jié)，提高整體創(chuàng)作效率。

3.2 改善用戶體驗

AI配音可以根據(jù)用戶的喜好和短視頻內(nèi)容的特點，選擇合適的聲音風格和語氣，讓觀眾更好地理解內(nèi)容，提升觀看體驗。人工智能配音可以應對多語言環(huán)境下的不同要求，AI合成語音技術(shù)支持多語言混讀，只要聲音樣本庫的儲量夠大就可以滿足這樣的需求。在合成效果方面，良好的人工智能配音可以媲美真人的聲音，仿真度極高，能夠為受眾提供悅耳的聆聽體驗[4]。

3.3 擴大創(chuàng)作者群

AI配音使得沒有配音基礎(chǔ)的創(chuàng)作者也能夠參與到短視頻創(chuàng)作中，擴大了創(chuàng)作者群體的規(guī)模。傳統(tǒng)的音頻制作需要創(chuàng)作者具備一定的聲音基礎(chǔ)和技巧，才能錄制出高質(zhì)量的聲音。然而，借助AI配音技術(shù)，沒有配音基礎(chǔ)的創(chuàng)作者也能夠參與到短視頻創(chuàng)作中。他們只需將文字輸入系統(tǒng)，就能夠得到高質(zhì)量的語音輸出?；诖耍桃曨l創(chuàng)作的創(chuàng)作者群體得到了擴大，進一步推動了短視頻創(chuàng)作的發(fā)展。

3.4 為創(chuàng)作者提供更多創(chuàng)作靈感

眾所周知，聲音在短視頻中具有很強的表達能力和情感傳遞作用。AI配音技術(shù)能夠根據(jù)視頻的內(nèi)容和情感，生成適合的聲音，進一步提升短視頻的觀賞性和沉浸感。創(chuàng)作者可以通過調(diào)整配音的語氣、節(jié)奏和音調(diào)來強調(diào)視頻的重點，增加戲劇性或幽默感。同時，AI還可以模擬各種聲音，如動物叫聲、車輛噪聲等，為短視頻創(chuàng)作提供更多元化的可能性。這些豐富多樣的聲音選擇激發(fā)了創(chuàng)作者的創(chuàng)意，增加了短視頻作品的吸引力。

4 AI配音對用戶觀感和創(chuàng)作者創(chuàng)作方式的影響

4.1 提升用戶觀感

AI配音可以根據(jù)短視頻的內(nèi)容選擇合適的配音風格，提高觀眾對短視頻的喜愛度。首先，AI配音可以實現(xiàn)批量處理，大大提高短視頻的生產(chǎn)效率。傳統(tǒng)配音需要耗費大量時間和人力資源進行錄制與剪輯，而AI配音可以自動完成這些任務，減少了工作量和成本。其次，AI配音可以消除人為的主觀因素。傳統(tǒng)配音的效果受限于配音演員的個人理解和表達，可能會存在差異和主觀偏差。而AI配音完全基于算法，不受主觀因素的影響，能夠更加準確地把握角色的聲音特點和情感表達。通過選擇合適的配音風格，配音聲音與視頻內(nèi)容更好地融合在一起，使得觀眾能夠更好地沉浸在故事情節(jié)中，大大提升了用戶的觀感。

4.2 影響創(chuàng)作者創(chuàng)作方式

AI配音技術(shù)的出現(xiàn)，極大地改變了傳統(tǒng)錄音的制作方式，使創(chuàng)作者能夠更加專注于視頻素材和剪輯。傳統(tǒng)的音頻制作過程通常會涉及尋找配音演員、錄制配音以及后期剪輯等煩瑣的步驟。這不僅耗費了大量時間和精力，還需要花費額外的預算。而隨著AI配音技術(shù)的廣泛應用，創(chuàng)作者可以將更多精力投入視頻素材的選擇和剪輯上，從而提高創(chuàng)作效率和品質(zhì)。在傳統(tǒng)的音頻制作中，為每個場景和角色尋找合適的配音演員是一項艱巨的任務。尋找合適的演員不僅需要花費時間和精力，還需要保證他們的聲音與角色的特點和氣質(zhì)相匹配。然而，有了AI配音技術(shù)，這一問題迎刃而解。創(chuàng)作者只需通過AI系統(tǒng)選擇適合的配音風格，便能輕松實現(xiàn)音頻內(nèi)容的創(chuàng)作。這樣，AI配音技術(shù)就能夠大幅縮短整個音頻制作的周期，使得創(chuàng)作者將更多的時間用于構(gòu)思和制作視頻內(nèi)容本身。

5 AI配音的啟示與建議

5.1 不斷精進語音識別技術(shù)，避免信息傳遞錯誤

由于目前語音識別技術(shù)尚未完全成熟，AI配音有時會出現(xiàn)漏譯或誤傳的情況，可能導致傳遞錯誤的信息給受眾。世界各國文字與讀音都十分復雜，如面對一字多音時，AI配音目前并不能準確地在不同語境中準確判斷字詞的讀音；語音識別系統(tǒng)在處理特定領(lǐng)域的專業(yè)術(shù)語時可能存在漏譯的問題。盡管一些通用領(lǐng)域的詞匯和短語可以被準確地識別與轉(zhuǎn)化成聲音，但是在特定領(lǐng)域，例如醫(yī)學或法律，由于術(shù)語的復雜性和多義性，語音識別系統(tǒng)可能無法準確地轉(zhuǎn)譯這些術(shù)語，從而導致內(nèi)容錯誤。

為了克服這個問題，我們建議開發(fā)者要不斷改進語音識別技術(shù)，提高準確性和可靠性，這意味著需要進行更多的研究和開發(fā)，以改進算法和模型，使其能夠具備更多語音數(shù)據(jù)，更好地適應不同的特殊場景。同時，收集和標注更多的訓練數(shù)據(jù)也是提高準確性的重要步驟。通過引入更多的方言、口音和語速等數(shù)據(jù)，系統(tǒng)可以更好地適應各種情況，并減少錯誤識別的情況。同時，對于重要信息的傳遞，可以考慮使用人工審核和校對的方式，雖然這可能會增加一些成本和時間，但可以從根本上改善AI配音的質(zhì)量。

5.2 增加個性化選項，避免視頻內(nèi)容同質(zhì)化

由于AI配音可以自動生成語音，可能導致很多視頻的語音部分都非常相似，缺乏個性和差異化。為了解決這個問題，我們建議在AI配音的應用中加入更多的個性化選項。

首先，可以增加不同的語速選擇。語速是人們表達個性和情感的重要元素。因此，為AI配音提供不同的語速選項，可以使得聲音更加生動、靈活，改善機器聲音的單調(diào)感。

其次，可以增加不同的音調(diào)選擇。音調(diào)可以影響人們對話語的理解和感受，不同的音調(diào)可以傳達不同的情緒和態(tài)度。因此，為AI配音提供不同的音調(diào)選項，將為短視頻制作帶來更多可能性，使得配音更加個性化和生動。

此外，還可以增加不同的語氣選擇。不同的語氣可以傳達不同的人格特點和情感表達。給AI配音提供不同的語氣選項，可以為短視頻制作帶來更加豐富、多樣化的配音效果，使得每個短視頻都能夠呈現(xiàn)出獨特的個性。

通過增加這些個性化選項，AI配音技術(shù)能夠提供更加豐富和多樣化的配音效果，使得每個視頻都能夠呈現(xiàn)出個性和差異化。這不僅可以提高觀眾的審美體驗，也可以提升視頻制作的創(chuàng)意和表現(xiàn)力。

5.3 加強審核，鼓勵原創(chuàng)，避免版權(quán)糾紛

音頻資源的版權(quán)問題是一個嚴峻的挑戰(zhàn)。“AI配音技術(shù)簡單，成本低廉，吸引了大量制作者入場使用，而這其中，極少有人對聲音版權(quán)有所意識。”[5]因此，開發(fā)者和平臺必須對音頻資源進行嚴格審核和甄別，確保其符合版權(quán)法律的要求。這意味著需要投入更多的人力和技術(shù)資源，建立起高效可靠的審核機制，避免不法分子利用這一技術(shù)進行盜版或侵權(quán)行為。

同時，為了避免版權(quán)問題，平臺要鼓勵創(chuàng)作者使用自己原創(chuàng)的音頻素材，以降低版權(quán)糾紛的風險。原創(chuàng)作品具有獨特性，創(chuàng)作者擁有完全的版權(quán)。通過鼓勵原創(chuàng)音頻素材的使用，可以減少對他人作品的依賴，從而減少侵權(quán)的可能性。

此外，平臺和開發(fā)者還應加強同版權(quán)機構(gòu)與相關(guān)法律部門的合作。通過與版權(quán)監(jiān)管機構(gòu)建立密切的聯(lián)系，及時了解最新的版權(quán)法律和規(guī)定，以確保用戶生成的內(nèi)容不會侵犯他人版權(quán)。此舉可以提高用戶對AI配音技術(shù)的信任度和依賴度。

6 結(jié)語

通過對抖音App中AI配音的研究，我們可以看到AI配音在短視頻創(chuàng)作中發(fā)揮了積極的作用，提高了創(chuàng)作效率和用戶觀感。未來，短視頻內(nèi)容創(chuàng)作仍是AI配音的主要應用領(lǐng)域之一。然而，我們也要注意AI配音帶來的負面影響，并就其挑戰(zhàn)提出相應的解決方案，保障用戶的權(quán)益，優(yōu)化創(chuàng)作者的創(chuàng)作環(huán)境。未來應深化AI技術(shù)與短視頻的融合發(fā)展，同時規(guī)范AI配音應用，使其成為推動短視頻發(fā)展的重要力量?？傊?，AI配音正逐步成為短視頻創(chuàng)作中不可或缺的手段，其對短視頻內(nèi)容的創(chuàng)作產(chǎn)生著深遠的影響。