只聽聲音，就能知道一個人長什么樣？

是的。

大名鼎鼎的麻省理工CSAIL（人工智能實驗室），最近就發(fā)布了這樣一個令人驚訝的研究。只需要聽6秒的聲音片段，AI就能推斷出說話者的容貌。

詳細解釋之前，咱們一起試試先。

聽聽下面這段錄音，一共有六段。你能想象出來，說話的人長什么樣么？

怎么樣？你行么？

MIT研究人員，設(shè)計和訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Speech2Face，就能通過短短的語音片段，推測出說話者的年齡、性別、種族等等多重屬性，然后重建說話人的面部。

下面就是AI聽聲識臉，給出的結(jié)果：

左邊一列是真實的照片，右邊一列是神經(jīng)網(wǎng)絡(luò)根據(jù)聲音推斷出來的長相。

講真，這個效果讓我們佩服。

這篇論文也入圍了今年的學(xué)術(shù)頂級會議CVPR 2019。

當然這個研究也會引發(fā)一些隱私方面的擔(dān)憂。不過研究團隊在論文中特別聲明，這個神經(jīng)網(wǎng)絡(luò)不追求完全精確還原單一個體的臉部圖像。

不同的語言也有影響。論文中舉了一個案例，同一男子分別說中文和英文，AI卻分別還原出了不同的面孔樣貌。當然，這也跟口音、發(fā)聲習(xí)慣等相關(guān)。

另外，研究團隊也表示，目前這套系統(tǒng)對還原白人和東亞人的面孔效果更好。可能由于印度和黑人的數(shù)據(jù)較少，還原效果還有待進一步提高。

原理

從聲音推斷一個人的長相不是一種玄學(xué)，平時我們在打電話時會根據(jù)對方的聲音腦補出相貌特征。

這是因為，年齡、性別、嘴巴形狀、面部骨骼結(jié)構(gòu)，所有這些都會影響人發(fā)出的聲音。此外，語言、口音、速度通常會體現(xiàn)出一個的民族、地域、文化特征。

AI正是根據(jù)語音和相貌的關(guān)聯(lián)性做出推測。

為此，研究人員提取了幾百萬個YouTube視頻，通過訓(xùn)練，讓深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)聲音和面部的相關(guān)性，找到說話的人一些基本特征，比如年齡、性別、種族等，并還原出相貌。

而且在這個過程中，不需要人類標記視頻，由模型自我監(jiān)督學(xué)習(xí)。這就是文章中所說的Speech2Face模型。

將電話另一端通過卡通人物的方式顯示在你的手機上，可能是Speech2Face未來的一種實際應(yīng)用。

模型結(jié)構(gòu)

Speech2Face模型是如何還原人臉的，請看下圖：

給這個網(wǎng)絡(luò)輸入一個復(fù)雜的聲譜圖，它將會輸出4096-D面部特征，然后使用預(yù)訓(xùn)練的面部解碼器將其還原成面部的標準圖像。

訓(xùn)練模塊在圖中用橙色部分標記。在訓(xùn)練過程中，Speech2Face模型不會直接用人臉圖像與原始圖像進行對比，而是與原始圖像的4096-D面部特征對比，省略了恢復(fù)面部圖像的步驟。

在訓(xùn)練完成后，模型在推理過程中才會使用面部解碼器恢復(fù)人臉圖像。

訓(xùn)練過程使用的是AVSpeech數(shù)據(jù)集，它包含幾百萬個YouTube視頻，超過10萬個人物的語音-面部數(shù)據(jù)。

在具體細節(jié)上，研究使用的中每個視頻片段開頭最多6秒鐘的音頻，并從中裁剪出人臉面部趨于，調(diào)整到224×224像素。

△從原始圖像提取特征重建的人臉，以及從聲音推測的人臉

之前，也有人研究過聲音推測面部特征，但都是從人的聲音預(yù)測一些屬性，然后從數(shù)據(jù)庫中獲取最適合預(yù)測屬性的圖像，或者使用這些屬性來生成圖像。

然而，這種方法存在局限性，需要有標簽來監(jiān)督學(xué)習(xí)，系統(tǒng)的魯棒性也較差。

由于人臉圖像中面部表情、頭部姿態(tài)、遮擋和光照條件的巨大變化，想要獲得穩(wěn)定的輸出結(jié)果，Speech2Face人臉模型的設(shè)計和訓(xùn)練變得非常重要。

一般從輸入語音回歸到圖像的簡單方法不起作用，模型必須學(xué)會剔除數(shù)據(jù)中許多不相關(guān)的變化因素，并隱含地提取人臉有意義的內(nèi)部表示。

為了解決這些困難，模型不是直接得到人臉圖像，而是回歸到人臉的低維中間表示。更具體地說，是利用人臉識別模型VGG-Face，并從倒數(shù)第二層的網(wǎng)絡(luò)提取一個4096-D面部特征。

模型的pipeline由兩個主要部分組成：

1、語音編碼器

語音編碼器模塊是一個CNN，將輸入的語音聲譜圖轉(zhuǎn)換成偽人臉特征，并預(yù)測面部的低維特征，隨后將其輸入人臉解碼器以重建人臉圖像。

2、面部解碼器

面部解碼器的輸入為低維面部特征，并以標準形式（正面和中性表情）產(chǎn)生面部圖像。

在訓(xùn)練過程中，人臉解碼器是固定的，只訓(xùn)練預(yù)測人臉特征的語音編碼器。語音編碼器是作者自己設(shè)計和訓(xùn)練的模型，而面部解碼器使用的是前人提出的模型。

將實驗結(jié)果更進一步，Speech2Face還能用于人臉檢索。把基于語音的人臉預(yù)測結(jié)果與數(shù)據(jù)庫中的人臉進行比較，系統(tǒng)將給出5個最符合的人臉照片。

不足之處

若根據(jù)語言來預(yù)測種族，那么一個人說不同的語言會導(dǎo)致不同的預(yù)測結(jié)果嗎？

研究人員讓一個亞洲男性分別說英語和漢語，結(jié)果分別得到了2張不同的面孔。

模型有時候也能正確預(yù)測結(jié)果，比如讓一個亞洲小女孩說英文，雖然恢復(fù)出的圖像和本人有很大差距，但仍可以看出黃種人的面部特征。

研究人員表示，這個小女孩并沒有明顯的口音特征，所以他們的模型還要進一步檢查來確定對語言的依賴程度。

在其他一些情況下，模型也會“翻車”。比如：變聲期之前的兒童，會導(dǎo)致模型誤判性別發(fā)生錯誤；口音與種族特征不匹配；將老人識別為年輕人，或者是年輕人識別為老人。

作者團隊

這個研究的作者，大部分來自MIT CSAIL。