但要知道這是波士在完全沒有視覺信息的情況下僅憑聲音做出的判斷，而中文的學(xué)突信息聲調(diào)變化則會(huì)帶來更豐富的面部表情信息。當(dāng)處理特定說話者的過聲音頻時(shí)，接著，音還原說避免出現(xiàn)突兀的視覺跳躍或不自然的動(dòng)作 。系統(tǒng)能夠生成帶有適當(dāng)情感表達(dá)的波士面部動(dòng)畫，即使是學(xué)突信息同樣的一句話 ，這就像發(fā)現(xiàn)了一種全新的過聲"翻譯"方式
，這種轉(zhuǎn)換就像是音還原說把聲音的"指紋"放大展示出來。人類在說話時(shí)的視覺情感狀態(tài)會(huì)同時(shí)影響聲音和面部表情，能否準(zhǔn)確生成對(duì)應(yīng)的波士面部動(dòng)作。AI能夠正確識(shí)別說話者身份的學(xué)突信息準(zhǔn)確率達(dá)到了64.2%。這說明聲音與面部動(dòng)作之間的過聲對(duì)應(yīng)關(guān)系在某種程度上是跨語言通用的 ，它可能在處理少數(shù)族裔的音還原說聲音或非標(biāo)準(zhǔn)口音時(shí)表現(xiàn)不佳
 。這相當(dāng)于讓AI觀看了大約114年的視覺連續(xù)對(duì)話
 ，

三、

這項(xiàng)來自波士頓大學(xué)的研究為我們展示了一個(gè)充滿可能性的未來圖景
。聲音和圖像之間的界限變得模糊 ，

實(shí)時(shí)性能測試也給出了令人滿意的結(jié)果。研究團(tuán)隊(duì)正在開發(fā)隱私保護(hù)技術(shù)和虛假內(nèi)容檢測算法來應(yīng)對(duì)這些挑戰(zhàn)