人们听广播的时候，脑海中会幻想出说话者的样貌，她可能是个面容清秀、身材瘦小的年轻女孩，他也可能是个四十出头、脸长肩宽的中年男人。
猜准年纪和性别，对大部分人来说不难，声音特质已经透露出这些信息。
但猜对具体的容貌却非常困难，人们只能回想脑海里有类似声音的人，把他们的脸贴上去。
人的声音和长相应该是分开的吧……
AI告诉我们：答案不对，有特定声音的人，会有特定的长相。最近，麻省理工大学的科学家开发出一款AI，它能通过几秒钟的音频，还原出说话者的容貌，相似度非常高。
年龄、性别、种族、五官特征、脸型、发型、胡须造型，这些它能会绘制出来……
这款AI叫作“Speech2Face”，名字说得很清楚，“从话到脸”。
科学家创造它的目的，是想知道人类能在多大程度上，通过一个人的声音推断出他的长相。
乍一听上去，这像看相那样玄学，但背后的道理其实很好理解。
人类说话靠的是振动声带，它是位于喉部的左右对称的两瓣肉。声带的长度和宽度是影响我们音调高或低的主要原因，因为男性的声带较女性更宽，所以音调更低。
声带振动后，声音在我们的胸腔里嗡嗡作响，大部分从喉咙里传出去。
但这不是唯一的传声路径，我们的脸部也充当着声音的扩音器，颧骨、下巴、鼻子、嘴唇等都会振动，它们的厚度、结构不同，发出的声音也不同。
电脑能捕捉到这些细微的声音差别，继而画出说话者的面部特征。
这就是AI工作的原理。
麻省理工的科学家们收集了油管上数百万个视频，里面有十几万个人说话，他们将这些视频输入给Speech2Face。
Speech2Face会把视频中人脸的特征摘出来，制作出一张标准的正面照，这个照片基本等同对方的真人脸。
同时，它还会把声音从声波转成声谱图，然后传给人声编码器，找出其中的声音特征。
两两相对，Speech2Face就这样学会声音和相貌之间的关联，不需要其他的信息。
在大量视频的训练下，它只需要听3秒或6秒的音频，就能画出人脸。
比如，放美国情景喜剧《神烦警探》中男二霍尔特讲笑话的音频片段，Speech2Face会画出下方右侧的图。
和饰演霍尔特的演员相比，右侧的图脸更宽和胖，但肤色和鼻子形状与真人一样，效果不错。
其他测试对象还有白人老太太、非裔男子、拉美女孩和白人男性，左边的真人图和右边的AI图对比，都挺像。
类似的对比图在论文里还有很多，下面这些图的第一列是视频截图，第二列是电脑根据截图转换的正面照，第三列是AI根据声音绘制的图。
将第三列和前两列对比，发现种族、性别、年龄、眉毛、发型和发色基本都对。
为什么眉毛和头发也能相似？它们又不随声音振动。
科学家解释说，是因为AI在数百万视频中找到同一类人群相似的外形特征。比如非裔女性常是高挑眉，老年人永远头发稀疏，印裔男子喜欢留胡子，非洲男性戴顶小帽子。
在性别、种族特征符合后，这些边缘的外貌特征也会被画出来。
科学家们发现输入的音频越长，AI绘制的图越准确。下图可以看出，六秒音频的结果明显比三秒要好，其中有三个改对了性别、种族和年龄。
如果把一个人的不同视频片段截出来，会发现它们和AI绘制的图更像。
当然，Speech2Face也有翻车的时候，它有时会把音调高的男人当作女人，把声音嘶哑的男人当作老头。种族也会搞错（虽然长得仍然挺像）。
科学家说这更多表现出的是一种刻板印象，AI能找到的是符合大部分人群的特征。
“我们使用的训练数据来自油管上的教育视频合集，不能代表全世界的人。” 他们在论文里写道，“因此，就像其他机器学习模型一样，我们的模型也受到数据分布不均的影响。”
这种刻板印象也和语言有关，当亚裔男性说英语时，Speech2Face以为他是白人男性，当他说中文时，种族又对了。
不过，亚裔女孩说英语时，结果不受语言影响，只是年龄大了些。
麻省理工的科学家们还做了一个“卡通转换系统”，让Speech2Face听到音频后绘制出说话者的卡通图，准确率也挺高的。
这个项目挺有意思，但很多网友表示担忧：
“那些不愿露脸的油管博主现在肯定在瑟瑟发抖。”
“想想看，这技术很容易在网络社区里被当作武器使，虽然大家都不露面。”
科学家们在论文里也提到了隐私，他们认为不用担心。
“我们的方法不能从声音中复原一个人的真实身份（即他们脸部的确切图像），因为我们的模型是捕捉多人共有的视觉特征，只能生产大众化的平庸面孔，不能制作特定长相。我们的AI图像不能反映出真人的实际相貌。”
话是这么说，可从对比图上看，AI的结果已经很接近真人照了。如果某些狂热粉丝想要找到不露面的视频博主，他们可以轻松知道博主的大概样子，加上地理位置等信息，也许他们能找上门。
想想还是蛮吓人的，不过类似的AI就算麻省理工不做，其他学校也在做了。
过去几年，爱尔兰、西班牙、日本和美国都在研究如何用音频构建人脸，其中走得最远的是卡内基梅隆大学的丽塔·辛格（Rita Singh）。
有好事者在2014年反复向美国海岸警卫队报假警，每通电话非常短。海岸警卫队找到研究语音识别20年的丽塔，问她有什么办法。
她先是比较了人耳无法察觉的发音上的特征，然后把报警电话分割为几毫秒的小片段，用AI梳理它们寻找信息点。
靠着微弱的信息，丽塔不光能知道报假警的人大致长什么样，还能知道他所处的环境，比如房间的大小，是否有窗户，以及墙壁用什么材料制成。
她的AI甚至能检测到录音中，因为当地电网波动产生的杂音。她将杂音和电网数据库匹配，可以知道报警者实际的位置，还有挂电话的确切时间。
最后，丽塔不仅解决了恶作剧电话，还解决了儿童性骚扰案件。那些只露声不露脸的罪犯，自己把自己出卖了。
AI技术就是一把双刃剑，它可以逮捕罪犯，也可以伤害无辜者。
用声音绘制人脸，这个技术看来是无法避免的，只能希望它以后都用在正道上吧……
