OpenAI 演示 Voice Engine：只需 15 秒音频，但因安全风险暂不开放

只要给你 15 秒平时随手录的语音，AI 就能用你的声音、带着你的口音，说出你这辈子都没讲过的台词。

OpenAI 拿出了他们雪藏许久的声音克隆模型 Voice Engine。不过他们这次并不是要把它开放给所有人，而是特意发文表示：技术早就做好了，但我们决定先把它关在笼子里。

15 秒音频就能借走你的嗓子

Voice Engine 的门槛低得有点吓人。只要一段 15 秒的说话样本加上一段文字，它就能生成极其自然、带有情绪的语音，听起来跟本人几乎一模一样。

实际上，OpenAI 早在 2022 年底就做出了这个模型。你在 ChatGPT 语音功能、朗读功能以及官方 TTS API 里听到的那些预设声音，背后其实全是由它驱动的。

从去年底开始，OpenAI 把这项能力私下开放给了极少数合作伙伴，用来测试具体的使用场景。

比如教育公司 Age of Learning 拿它结合 GPT-4 给孩子做实时个性化互动；AI 视频平台 HeyGen 拿它做视频多语言翻译，神奇的是，如果让一个法国人说英语，生成的语音还会特意保留他的法国口音。

它甚至进到了病房里。布朗大学医学院附属的神经科学研究所里，三位医生仅凭一段以前学校项目的视频录音，就帮一位因脑血管肿瘤失去流利发声能力的年轻患者重新找回了自己的声音。无障碍沟通应用 Livox 也靠它为失语人士定制不再机械化的专属嗓音，还支持斯瓦希里语和肯尼亚流行的混合语言 Sheng。

越逼真越危险，OpenAI 劝银行赶紧改规则

既然这么好用，为什么不开放给大家玩？

答案很简单：今年是全球多个国家的大选年。如果任何人只要拿到别人 15 秒的录音就能随意克隆，欺诈和伪造名人的成本几乎会降到零。

OpenAI 对测试伙伴立下了非常苛刻的规矩：必须拿到原声主人的知情同意，严禁开发者让普通用户自己上传声音克隆，生成的音频必须打上不可见的水印用于溯源，而且必须向听众明确标明这是 AI 生成的声音。

更有意思的是，OpenAI 还公开发出呼吁，建议金融机构赶紧淘汰用声音做身份验证的机制。换句话说，如果你的银行还在用声音密码来登录账户，在如今的 AI 技术面前基本等于不设防。

为什么重要

对于创作者和需要语言康复的患者来说，15 秒的声音克隆技术是实打实的福音。过去做一套高质量音色克隆需要进录音棚录几个小时，现在一段微信语音的长度就能搞定，出海视频做多语种本地化翻译的门槛瞬间被踩平了。

但普通人现在显然摸不到它，短期内也不值得去期待公共版本。OpenAI 这一步走得相当狡黠：它既向外界展示了自己在音频生成领域的顶级肌肉，证明自己早在两年前就掌握了同类创业公司的核心技术，又抢占了负责任 AI 的道德高地。

问题在于，声音克隆的技术秘密并不能真的被封锁。开源社区和竞争对手迟早会做出同样低门槛的模型，而且他们可不会给生成的声音加上不可见水印，也不会限制用户去克隆政客的声音。

我们认为，OpenAI 这次展示更像是一场社会抗药性测试。它在明确告诉所有人：声音已经不再能证明你是你，整个社会的身份认证和安全体系，都必须跟着彻底重构了。