根据消费者报告的研究显示,在提供 AI 语音克隆软件的六家公司中,有四家未能提供有效的防滥用安全措施。
这家非营利性出版机构评估了六家公司的 AI 语音克隆服务:Descript、ElevenLabs、Lovo、PlayHT、Resemble AI 和 Speechify。研究发现 ElevenLabs、Speechify、PlayHT 和 Lovo "仅要求研究人员勾选一个确认框,表明他们拥有克隆语音的合法权利或做出类似的自我声明。"
要注册账号,Speechify、Lovo、PlayHT 和 Descript 只要求用户提供姓名和电子邮件地址。
消费者报告的政策分析师 Grace Gedye 表示:"我认为有充分的理由表明,这些公司中的一些提供的服务可能违反了现有的消费者保护法",她援引了 FTC 法案第 5 条和各州法律。
作为 AI 语音克隆报告作者的 Gedye 承认,开源语音克隆软件使情况变得复杂,但她表示,即便如此,鼓励美国公司更好地保护消费者仍然是值得的。
Descript、ElevenLabs、Speechify、PlayHT 和 Lovo 尚未对置评请求作出回应。
这些公司中的几家在回应消费者报告 2024 年 11 月提出的问题时为其商业行为进行了辩护。
语音合成技术已经研究了几十年,但直到最近,由于机器学习的进步,语音克隆才变得逼真、易用且广泛可及。
这类软件有多种合法用途,如生成有声读物的旁白、帮助无法说话的人发声,以及客户支持服务 (只要客户能接受的话)。但它也容易被滥用。
Lyrebird 就是一个预警信号。2017 年,这家加拿大初创公司 (后被 Descript 收购) 发布了包含唐纳德·特朗普、巴拉克·奥巴马和希拉里·克林顿声音的音频片段,说出了他们实际上并未说过的话。
这是现今真实问题的概念验证 - 为欺骗目的复制他人声音,即音频深度伪造。
根据 2023 年美国联邦贸易委员会消费者哨兵网络报告,当年有超过 85 万起冒充诈骗案件,其中约五分之一造成了金钱损失,总计 27 亿美元。虽然其中使用 AI 语音克隆软件的比例未知但可能较小,但有关该技术滥用的报告已变得越来越普遍。
例如,去年马里兰州巴尔的摩警方逮捕了一名高中前体育主任,据称其使用语音克隆软件冒充校长,让校长的声音发表种族主义和反犹太主义言论。
该语音克隆报告还引用了数百名消费者的多个证词,这些消费者在回应 2024 年 2 月的征询时分享了他们遭遇冒充电话的经历。
Gedye 的报告中提出的担忧是,这些公司中的一些专门将其软件营销用于欺骗。"语音克隆公司 PlayHT 在其公司博客文章中将'恶作剧'列为其 AI 语音工具的使用场景," 报告指出。"另一家 AI 语音公司 Speechify 也建议将恶作剧电话作为其工具的使用场景。'没有比假装自己是别人更好的恶作剧方式了。'"
这种担忧在一些大型商业 AI 供应商中也很明显。例如,Microsoft 选择不公开发布其 VALL-E 2 项目,理由是可能被滥用于"欺骗语音识别或冒充特定说话者"。同样,OpenAI 也限制了其语音合成引擎 Voice Engine 的访问。
美国联邦贸易委员会去年最终确定了一项禁止 AI 冒充政府和企业的规则。随后提议将这一禁令扩大到禁止冒充个人,但似乎没有在这方面取得进一步进展。
鉴于当前美国政府试图消除消费者金融保护局等监管机构,Gedye 表示,州级监管可能比进一步的联邦干预更有可能实现。
Gedye 说:"我们看到各州对专门处理 AI 问题很感兴趣。我的大部分工作是针对州级 AI 政策,有很多雄心勃勃的立法者想要解决这个问题。我认为州检察长也有兴趣保护其选民免受新兴技术的伤害。虽然目前在联邦层面的消费者保护可能面临挑战,但我希望诈骗和冒充问题是特别不分党派的问题。"
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。