Microsoft 上線 AI 數字人替身工具：只要照片和文本，就能開口說話

只要一張照片、一段臺詞，就能讓畫面裡的人張嘴說出他從來沒講過的話。這種在幾年前還會被全網當成「深度偽造黑產」的技術，現在被微軟直接搬上了正規雲服務檯面。

在 Ignite 2023 大會上，微軟給 Azure AI Speech 塞進了一個略顯激進的新功能：文本轉語音數字人分身（text-to-speech avatar）。這個功能已經開啟公共預覽，任何人寫段指令碼，就能讓照片裡的人聲情並茂地把內容念出來。

只要一分鐘音訊，連聲音也能克隆

這項數字人技術的工作方式其實很直接：使用者上傳一張想模仿的人像照片，再輸入文本指令碼。微軟的模型會負責驅動人臉口型和表情動畫，配合預置語音或者克隆出來的真人聲音把臺詞讀出來。

這些分身支援多語言，甚至還能直接掛接 OpenAI 的 GPT-3.5。如果放在客服或者虛擬助手場景裡，它們不再只是死板地念稿，還能臨場應付使用者沒按套路出牌的追問。

除了露臉的數字人，微軟還在同場活動上推出了一個叫「個人聲音」（personal voice）的工具。這項功能更誇張，只要提供一分鐘的真人語音樣本作為參考，系統只要幾秒鐘就能把你的聲線完全複製下來，用來做跨語言配音或有聲書旁白。

防患未然，還是亡羊補牢？

把逼真的假人和假聲做成即插即用的雲服務，潛在的濫用風險有多大，微軟心裡顯然有數。之前同類 AI 創企 Synthesia 的技術，就曾被曝出用於製作政治虛假宣傳和假新聞。

所以微軟給這項功能套上了不少緊箍咒。普通 Azure 訂閱使用者目前只能呼叫系統預設好的現成數字人模型。如果你想用自己的照片做定製分身，必須走專門的申請審批通道。

針對聲音克隆，微軟明確禁止直接上傳偷錄的音訊檔案。使用者必須當場錄製一段特定的「知情同意宣告」，系統後臺會比對這段宣告與聲音樣本是否一致，確認是本人才放行。同時，生成的語音會被打上專屬水印，但諷刺的是，要檢測這個水印，外部應用還得專門向微軟申請許可權。

微軟發言人後來向媒體補充道，客戶必須獲得出鏡人員明確的書面授權，合同裡要寫死使用期限和範圍，而且最終生成的影片必須公開標明「由 AI 生成」。

為什麼重要

我們認為，微軟這一步走得相當大膽，甚至可以說是在好萊塢罷工剛剛平息的敏感時刻，踩著版權和倫理的紅線往前探步。

對企業和創作者來說，這套工具確實極其實用。過去做一套多語言培訓影片或產品介紹，要請模特、租影棚、找配音，動輒耗費數週和幾萬美元；現在市場團隊自己寫指令碼、調介面，幾個小時就能低成本批量出片，商業價值一目瞭然。

但問題在於，微軟這種「既想吃技術紅利、又想靠審批甩鍋」的做法存在明顯隱患。把克隆門檻降到「一張圖、一分鐘音訊」之後，再嚴苛的合同約束也很難完全擋住暗地裡的灰產搬運。而且連水印檢測都要向微軟單獨申請，這種封閉生態裡的安全機制，很難讓公眾真正放心。

當科技巨頭帶頭把數字人克隆推向主流企業市場，同類競品勢必會迅速跟進。我們很快就會迎來一個肉眼難辨真偽的網路世界，到時候誰該為螢幕裡那張臉說的話負責，規則還遠遠沒有寫清楚。