导语：Sora之后，又一个突破！语音初创公司ElevenLabs放大招，直接用给Sora经典视频完成了配音。网友惊呼离AI完全生成电影又近了一步。

Sora的震撼效应

虽然一些人不想承认，但AI视频模型Sora的开年王炸，确实给影视行业带来了颠覆性的影响！

Sora各种逼真视频的生成足以让人惊掉下巴，有网友却表示，现在的Sora视频更像是‘无声电影’。如果再给它们配上音效，现实可就真的就不存在了．．．．．．

ElevenLabs的惊艳配音

就在今天，AI语音克隆初创公司ElevenLabs给经典的Sora展示视频，完成了绝美的配音。听过之后，让人简直颅内高潮。

从建筑物到鲨鱼无缝切换视频中，可以听到小鸟叽喳，狗在狂吠，不同动物叫声糅杂在一起，非常空灵。汽车卯足劲向前行驶的声音，偶尔还能听到石子与轮胎的摩擦音。

还有这欢乐喜庆的中国舞龙表演，敲锣打鼓人声鼎沸，好不热闹。地铁在轨道中咔哒咔哒行驶，还伴有空气被压缩发出隆~隆~的声音，让人有种耳塞的赶脚。

机器人的专属配音，直接将赛博风拉满，听过后就知道是那种‘熟悉的味道’。

东京街头上，靓丽的女人提着手提包在路边行走，高跟鞋哒哒哒与步伐完全吻合。还有那汽车鸣笛，路人说话的声音体现的淋漓尽致。

惊涛骇浪撞击着岩石，海鸥在高空中飞翔，叫声高亢嘹亮。老奶奶开心地吹灭蜡烛，笑容洋溢在每个人的脸上，片刻美好，只希望时间能够按下暂停键。

三只可爱的金毛在雪地中嬉戏打闹，兴奋地汪汪大叫。

更令人震撼的是，下面这个视频直接配出了‘纪录片’的高级感。

在片尾，ElevenLabs表示，以上所有的配音全部由AI生成，没有一点编辑痕迹。网友惊呼，‘这简直离完全由AI生成电影又近了一步’！堪称突破后的突破！

技术分析

需要补充的是，ElevenLabs的配音不是看视频直接生成的，还是需要prompt之后才能完成。不过，这种梦幻联动确实让人眼前一亮，或许OpenAI的下一步就是进一步扩展多模态能力，将视频、音频同时呈现。

到时候，被革命的不仅仅是影视行业，甚至是配音、游戏领域，也要发生翻天覆地的变化！

向量空间中建模，让LLM理解隐式物理规则

那么，视频到音频的精准映射，该如何突破呢？对此，英伟达高级科学家JimFan做了一个比较全面的分析：

为了精确配合视频内容，配音不仅需要文本信息，视频像素也至关重要。若想精确地实现‘视频-音频’的无缝匹配，还需要LLM在其潜在空间内理解一些‘隐式的物理原理’。

那么，一个端到端的Transformer需要掌握以下能力，才能正确模拟声波：

• -确定每个物体的种类、材质和空间位置。
• -识别物体间的复杂互动，比如棍子是敲在木头、金属还是鼓面？敲击的速度如何？
• -辨识场景环境，是餐厅、空间站、黄石国家公园还是日本神社？
• -从模型的内存中提取物体及其环境的典型声音模式。
• -应用‘软性’的、已学习的物理规则，组合并调整声音模式的参数，或者即时创造全新的声音，类似于游戏引擎中的‘程序化音频’。
• -对于复杂场景，模型需要根据物体的空间位置，将多条声音轨道叠加起来。

所有这些能力都不是通过显式模块实现的！它们是通过大量时间对齐的视频和音频配对，通过梯度下降法学习得来的。模型的注意力层将利用其权重来实现这些功能，以达到扩散的目标。

目前，我们还没有创造出如此高质量的‘AI音频引擎’。JimFan挖出了5年前来自MIT团队的一项关于‘TheSoundofPixels’的研究，或许从这里可以找到一些灵感。

这个项目中，研究人员提出了像素级声源定位系统PixelPlayer。通过结合声音和图像信息，AI能够以无监督的方式从图像或声音中识别目标、定位图像中的目标，甚至分离目标视频中的声源。

当你给定一个输入视频，PixelPlayer可以联合地将配音分离为目标组件，以及在图像帧上定位目标组件。值得一提的是，它允许在视频的‘每个像素’上定位

跳舞的时候，按下空格键，什么声音跳得最好，

PERFECT的时候最好、是紫色的、很大动静的一声

想买一诺基亚的手机不知道那款好

1000——1600的``诺基亚都不是智能的``除不6210C是智能的`` 还可以``1200——1400左右```