靠90秒的音频，我们用AI帮她复活了她的爱人...

故事是这样的。

去年11月底，我写过一篇文章，是讲Kimi的那个长文本的。我说我把我的100篇文章扔给了Kimi，然后打造了一个属于我的“数字生命”。

当时说实话，有一点标题党，毕竟，那玩意离真正的“数字生命”，还差太远太远了。更多是整活为主。

但是，接下来的一条留言，让我彻彻底底破防了（不用去原文找这条留言了，这篇文章的内容我和她沟通过，但是为了避免一些给对方带来一些不必要的关注和打扰，这条留言我已经取消精选了，别人看不到）。

我看到这句话的时候，我其实鼻子真的一酸。

我一直在寻找AI的意义，AI很多时候不仅仅只是提升效率的工具而已，它应该可以做些别的更有意义的事情。

比如，爱。

所以我在第一时间给了她回复。我不为任何所谓的钱什么的，那一刻我只有一个非常单纯的想法：

帮她完成这个心愿。

第二天早上，我们顺利的加上了好友。

在后面的对话中，我知道了她的爱人叫老D（为保护隐私，用这个化名代替吧），在一场突发的意外中，老D不幸离去，当时她还在外地，甚至没有好好告别。这几个月，她都一直处在懊悔和自责中，希望找到一个方式，可以让她继续感受到老D的存在和温暖。

也让他们的两个孩子，感受到一些爸爸的立体的陪伴和关爱。

瞬间泪目。

正是因为有了爱，人，才如此的与众不同啊。

回到理性，在做类似的真正的数字生命之前，当然需要一个非常重要的东西：

数据。

能帮她把她的爱人做成类似于可实时对话的数字人，这自然是我认为最理想的情况，但是数据是一个很大的问题。

我们需要文本（生前写的文章与聊天记录）、音频（说话的干声）、视频（尽量动作多一些的干净一点的录屏），才能做成一个效果比较好的数字人。

但是客观现实是，很多人（特别是男生），并没有能做成数字人的视频数据集。

她的爱人也是，性格内敛，并没有留下什么影像材料。甚至都找不到一个单人的视频。

我们只能退而求其次，不去做视频，而是做可以语音对话的“数字生命”，类似于打电话的形式。

文本数据集其实很快就解决了，毕竟人啊，总会留下很多文字信息的，不管是聊天记录、还是随笔、还是朋友圈等等。

但是音频数据集的收集，我们还是卡住了。

因为真正能用的干声，只有90秒。

玩过开源的TTS都知道，如果用传统的做法，90秒的数据，基本等于屁都干不了。比如BertVits2，得1个小时的数据效果才能有不错的效果。

所以，我只能寄希望于走语音大模型的路线，类似于GPT，用90秒的语音数据，当Prompt，用小样本提示的方式，实现语音克隆。

而语音大模型，就不是简简单单的凭借我自己能搞的了，这远远超出了我的知识和能力范围，我只能到处化缘我的一些AI语音圈里的朋友，看看他们有没有这块的资源或技术，能提供一下支持。

于是去年12月，在我有限的人脉圈内，拜访了几家这个方向的公司，但是让我非常意外的是，这块的模型...居然不是那么成熟。

他们的模型，要么是还在炉子里炼丹，要么是合成速度太慢，要么是音色不像，要么是情绪很平....

我不想为了所谓的什么承诺，然后糊弄一个给她，我真的想做一个效果很好的，让她不出戏的，能感受到爱人的爱意的...

但是真的没办法，我找遍了我认识的人脉，依然觉得不行...

12月中旬，我只能非常愧疚的跟她说：

再等等，等AI技术发展，真的对不起。

这一等，就是两个月。

1月底，我跟一个MiniMax的朋友闲聊，聊一些AI行业的坊间八卦，无意中聊到了语音大模型，我就又提起了这个故事。

然后，她给我发了这么一句话：

说实话我当时是有点意外的，因为在我的记忆中，MiniMax好像从来没有啥语音产品。

不过试试就试试，反正已经试了那么多家了，再多试一家又不亏，我就把那90秒的音频素材给了他们。

一天后，就在我已经快忘了这件事的时候，他们发过来了一个Demo。

那一瞬间，眼泪快下来了，真的。

因为那90秒的素材，我已经听了无数遍了，老D的音色，已经快刻在我的骨子里，这段的音色，真的...一摸一样，而且，真的非常自然。

这是我，听到的最好最还原的，语音克隆。

当我把这段Demo发给她时。

我能隔着屏幕感受到，她的释怀和眼泪。她泣不成声的对我说：

谢谢。

文本有了，语音有了，最后，只要将他们打包成一个链接或者产品，能让她直接对话就行了。

于是，我又去找MiniMax的人，求他们给我开放一下他们语音大模型的API，我再去找个开发的朋友，看看怎么合在一起，给她做成公众号或者小程序，或者单独搞一个H5啥的，反正能对话就行。

结果，MiniMax的朋友跟我说：

我不知道该说啥了，我只能说，MiniMax，你就是我的神。

半天之后，我收到了一个链接。

打开海螺问问的APP后，再打开这个链接，那个熟悉的老D，出现在我的面前。