Meta推語音合成AI「Voicebox」！效能快20倍、會六種語言，還能辨別真偽？|數位時代 BusinessNext

Meta推語音合成AI「Voicebox」！效能快20倍、會六種語言，還能辨別真偽？

Facebook母公司Meta，宣布推出了突破性的語音合成AI「Voicebox」，不僅效率快了20倍，能夠流利表達六種語言，還有辨別真偽的能力？

🔥每日精選最重要區塊鏈新聞、第一手採訪 👉歡迎加入《Web3+》官方Telegram

效能快20倍！Meta推語音合成AI「Voicebox」

社群媒體Facebook母公司Meta，近日推出了一款「突破性」的語音合成AI「Voicebox」，號稱效能比起其他同類型的人工智慧模型快上20倍，且表現相當穩定。

「Voicebox」系統採用了非傳統的語音合成系統（text-to-speech，簡稱TTS）架構，語音合成系統能將書寫文字轉換為語音，常用於語音助理技術；「Voicebox」的技術是類似於OpenAI的ChatGPT或Google的Bard，聲稱是首個能夠在不特別訓練的情況下，完成語音生成任務並具有最先進效能的模型。

Voicebox的優勢在於，它是透過上下文學習，來解決文本內容的語音任務。與一般的TTS模型不同，Voicebox使用了包括了英語、法語、西班牙語、德語、波蘭語和葡萄牙語，等六種語言公開的有聲書籍音檔和文字稿，作為數據訓練的依據，

Voicebox可以在這六種語言中，合成語音、消除瞬間噪音、編輯內容，在跨語言之間轉換音頻風格，並生成多樣化的語音，讓系統產生的語音更加自然流暢。

語音工具太強大，真假訊息恐更難分辨

語音合成，一直是人工智慧領域中的一大難題，這主要是因為TTS模型需要大量的數據集進行訓練。

現有的TTS系統，使用的是高度精選且經過標記的數據集，以確保語音合成的品質。然而，Meta透過一種新穎的訓練方案，克服了這個限制。他們放棄使用標記和精選，而是採用一種能夠「填充」音頻資料的架構。

根據Meta發表的研究論文提到，他訓練的Voicebox系統，可以僅使用所需的輸出文本和三秒鐘的音頻做剪輯，來完成所有語音輸出的工作。

美國總統大選即將到來，如此強大的語音生成功能，可能將再次考驗，網路上假訊息檢測的極限。

例如，美國前總統川普（Donald Trump），目前面臨指控，稱他在卸任後對政府機密資料處理不當。在針對他的案件中，引用了包含音檔的證據，據稱他在錄音中承認了潛在的不法行為。

雖然目前沒有跡象表明，這位前總統打算否認音檔文件中描述的內容，但他的案例顯示，數據完整性是美國法律體系的核心，也是其民主的核心。

Voicebox並非第一款AI語音合成工具，但目前看起來可能是最強大的工具之一。

因此，Meta也開發了一種工具，來確定語音是否是由Voicebox生成，該公司聲稱，它可以簡單地檢測真假音頻之間的差異。根據官方部落格文章寫下：「與其他強大的新人工智慧創新一樣，我們知道，這項技術帶來了濫用和意外傷害的可能性。」

Meta表示，內部建立了一個高效的分類器，可以區分Voicebox生成的語音和音頻，以此降低未來可能存在的風險。

隨著人工智慧技術的不斷發展，語音合成技術的應用前景越來越廣泛。在加密貨幣交易和社群等領域，語音合成技術都有其獨特的應用價值。Voicebox的推出，不僅在語音合成技術方面取得了突破，提升效能與穩定性，同時也為語音合成技術的應用開發帶來了更多可能。

🔥每日精選最重要區塊鏈新聞、第一手採訪 👉歡迎加入《Web3+》官方Telegram

資料來源：Cointelegraph、Meta、Engadget、VoiceBox

核稿編輯：高敬原

現代人手機不離手，通勤時滑短影音、午休追串流影劇、下午開視訊會議，網路影音應用成為工作與生活的普遍情境。然而，一旦畫面卡頓、畫質不穩，或聲畫不同步，使用體驗立刻打折，甚至影響工作效率與專業判斷。

也因此，網路品質不再只是「快不快」的問題，更關乎能否在高使用量的日常情境下，維持穩定、連續的表現；對此，第三方評測也採用更貼近使用者情境的方式衡量網路體感。而 Opensignal 最新報告指出，台灣大哥大在影音體驗相關項目是業界唯一同時拿下「影音體驗」與「5G 影音體驗」雙項獎項的電信商，其中，關鍵的差異是什麼？

為何「影音體驗」是網路品質的關鍵指標？

愈來愈多消費者入手旗艦機，追求的不只是硬體規格，還有流暢的 AI 應用與多工協作。然而，無論是視訊即時翻譯或雲端會議，這些高階功能都有一個共同前提：網路必須穩定。一旦網路品質不佳導致畫質下降或音畫不同步，旗艦級的 AI 功能將形同虛設。

這也意味著，檢驗網路價值的標準已經改變。如今，不能只看單點測速的瞬間峰值，更重要的是高負載情境下的耐力表現。因此，比起單點測速，影音體驗會是更完整的測試標準，直接挑戰了網路在室內深處、移動途中或人潮聚集時的網路實力；而唯有在長時間串流下依然不卡頓、不降畫質，才稱得上是高品質的連線。

換言之，隱身在硬體背後的電信商，才是發揮旗艦機性能的關鍵；唯有透過最佳網路品質，才能讓手中的旗艦機既是規格領先、也是體驗領先。

唯一影音體驗雙料冠軍，Opensignal 權威認證的有感體驗

雖然相較於測速數據，影音體驗更貼近日常使用，但也更難量化。對此，國際權威認證 Opensignal 的「影音體驗分數」，依循 ITU 國際標準，透過真實用戶裝置在行動網路上進行影音串流的實測數據，觀察不同電信網路在實際使用情境下的表現。

簡單來說，評測聚焦三項核心指標：影片載入時間、播放期間的卡頓率，以及畫質（解析度）是否能穩定維持。使用者從開始播放到持續觀看的整體品質，分數以 0–100 呈現，分數愈高，代表在三項指標的表現愈佳。相較於單點測速，這類評測更能呈現長時間、高使用量下的網路品質。

而在今年最新公布的 Opensignal 評測中，台灣大哥大獲得「影音體驗」獎項唯一雙料冠軍。其中，「整體影音體驗」為全台獨得第一名，「5G 影音體驗」則與遠傳並列第一。

之所以能在影音體驗拔得頭籌，關鍵在於台灣大哥大目前是全台唯一整合 3.5GHz 頻段 60MHz 與 40MHz、形成 100MHz 總頻寬的電信業者，亦是現階段全台最大 5G 黃金頻寬配置。頻寬愈寬，代表單位時間內可傳輸的資料量愈大；在大量使用者同時進行影音串流、視訊互動的狀態下，更能維持穩定傳輸、減少壅塞發生機率。

台灣大獲權威認證，NRCA技術撐起穩定基礎

除了頻寬帶來的流量優勢，台灣大哥大也採用「NRCA 高低頻整合技術」，也就是透過高低頻協作，讓 3.5GHz 負責高速傳輸、700MHz 補強覆蓋與室內連線，改善室內深處與移動情境的訊號落差，提升連線連續性。

同時，為了讓住家、通勤動線、商圈與觀光熱點等高使用場域維持穩定表現，台灣大哥大已在全台超過213個住宅、觀光及商圈熱點完成 100MHz 布建，提升人流密集區的網路覆蓋率。

值得注意的是，在今年的 Opensignal 評比中，台灣大哥大還拿下了「5G 語音體驗」與「網路可用率」兩項第 1 名，累計獲得 4 項獎項。這意味著不僅具備影音體驗優勢，在語音互動與連線率等關乎用戶日常應用的基礎指標，皆有亮眼成績。

尤其，隨著影音與即時互動成為新世代的工作常態，網路品質的重要性只會持續上升。無論是遠距協作所仰賴的視訊與畫面共享即時同步，內容創作對直播與即時上傳連續性的要求，或是 AI 視訊互動、即時翻譯與會議摘要等新應用，都高度依賴低延遲與穩定的資料傳輸。網路品質因此不再只是連線條件，更是支撐內容生產、協作效率與新應用落地的基礎能力，甚至直接牽動競爭力。

而台灣大哥大經 Opensignal 認證、於多項關鍵指標領先業界，不僅將成為 AI 時代的重要後盾，也讓使用者能更充分發揮高階手機的效能，把「快、穩、滑順」落實在每天的工作與生活中。