Microsoft 上线 AI 数字人替身工具：只要照片和文本，就能开口说话

只要一张照片、一段台词，就能让画面里的人张嘴说出他从来没讲过的话。这种在几年前还会被全网当成「深度伪造黑产」的技术，现在被微软直接搬上了正规云服务台面。

在 Ignite 2023 大会上，微软给 Azure AI Speech 塞进了一个略显激进的新功能：文本转语音数字人分身（text-to-speech avatar）。这个功能已经开启公共预览，任何人写段脚本，就能让照片里的人声情并茂地把内容念出来。

只要一分钟音频，连声音也能克隆

这项数字人技术的工作方式其实很直接：用户上传一张想模仿的人像照片，再输入文本脚本。微软的模型会负责驱动人脸口型和表情动画，配合预置语音或者克隆出来的真人声音把台词读出来。

这些分身支持多语言，甚至还能直接挂接 OpenAI 的 GPT-3.5。如果放在客服或者虚拟助手场景里，它们不再只是死板地念稿，还能临场应付用户没按套路出牌的追问。

除了露脸的数字人，微软还在同场活动上推出了一个叫「个人声音」（personal voice）的工具。这项功能更夸张，只要提供一分钟的真人语音样本作为参考，系统只要几秒钟就能把你的声线完全复制下来，用来做跨语言配音或有声书旁白。

防患未然，还是亡羊补牢？

把逼真的假人和假声做成即插即用的云服务，潜在的滥用风险有多大，微软心里显然有数。之前同类 AI 创企 Synthesia 的技术，就曾被曝出用于制作政治虚假宣传和假新闻。

所以微软给这项功能套上了不少紧箍咒。普通 Azure 订阅用户目前只能调用系统预设好的现成数字人模型。如果你想用自己的照片做定制分身，必须走专门的申请审批通道。

针对声音克隆，微软明确禁止直接上传偷录的音频文件。用户必须当场录制一段特定的「知情同意声明」，系统后台会比对这段声明与声音样本是否一致，确认是本人才放行。同时，生成的语音会被打上专属水印，但讽刺的是，要检测这个水印，外部应用还得专门向微软申请权限。

微软发言人后来向媒体补充道，客户必须获得出镜人员明确的书面授权，合同里要写死使用期限和范围，而且最终生成的视频必须公开标明「由 AI 生成」。

为什么重要

我们认为，微软这一步走得相当大胆，甚至可以说是在好莱坞罢工刚刚平息的敏感时刻，踩着版权和伦理的红线往前探步。

对企业和创作者来说，这套工具确实极其实用。过去做一套多语言培训视频或产品介绍，要请模特、租影棚、找配音，动辄耗费数周和几万美元；现在市场团队自己写脚本、调接口，几个小时就能低成本批量出片，商业价值一目了然。

但问题在于，微软这种「既想吃技术红利、又想靠审批甩锅」的做法存在明显隐患。把克隆门槛降到「一张图、一分钟音频」之后，再严苛的合同约束也很难完全挡住暗地里的灰产搬运。而且连水印检测都要向微软单独申请，这种封闭生态里的安全机制，很难让公众真正放心。

当科技巨头带头把数字人克隆推向主流企业市场，同类竞品势必会迅速跟进。我们很快就会迎来一个肉眼难辨真伪的网络世界，到时候谁该为屏幕里那张脸说的话负责，规则还远远没有写清楚。