趁着热度追了最近很火的 AI 短剧《持械入宋》。能明显感觉到,对比最初的 AI 短剧,画面,人物的建模,表情,场景的精细度进步还是很大的。 但有个地方实在很别扭:AI 配音有很多读错的,比如主簿,一直读成 zhǔ bào,实际上应该是 zhǔ bù的吧,每次听到都瞬间出戏。
很好奇,这种反复稳定读错某一些字词,到底是技术上的短板?还是制作流程的问题?还是故意的?用来区分 AI 和真人?
有没有懂行的朋友说一说。
趁着热度追了最近很火的 AI 短剧《持械入宋》。能明显感觉到,对比最初的 AI 短剧,画面,人物的建模,表情,场景的精细度进步还是很大的。 但有个地方实在很别扭:AI 配音有很多读错的,比如主簿,一直读成 zhǔ bào,实际上应该是 zhǔ bù的吧,每次听到都瞬间出戏。
很好奇,这种反复稳定读错某一些字词,到底是技术上的短板?还是制作流程的问题?还是故意的?用来区分 AI 和真人?
有没有懂行的朋友说一说。
|
shintendo5h 39m ago
1
没看过这个剧,如果是真的那有点奇怪,因为簿也没有 bào 的音啊,如果读成 bo2 还可以理解
要纠正多音字读音很简单吧,换个同音字就行了,肯定不是技术问题 |
|
auin5h 30m ago
2
看的剧也不少,多音字真的是很多读错的,记忆比较深的是:传、调、重,基本是重灾区。
|
|
hfJ4335h 29m ago
3
技术上的短板,多音字可能 ai 没理解,加上可能创作的人文化水平不高,后期审核的时候,也没发现错误读音
如果审核发现了问题,这个读音给 ai 是能纠正的 |
|
DXpro5h 26m ago
4
主要是大模型的 TTS 会遇到敏感词 ,还有版权方面的问题。所以不要给孩子看短剧 很多错别字。
|
|
chuan01445h 23m ago
5
至少不是制作流程的问题,我用小米 mimo-tts,所有的「校准」它都会读成「xiao zhun」
|
|
paopjian5h 19m ago
6
|
|
play785h 17m ago
7
主要有个问题是,现在视频生成是画面和声音,背景音乐都是一起生成的,这样画面,人物表情,口型,都比较协调。 如果音视频分开,再合成,就需要花时间校对(现在一些低质量的真人剧,画面和声音体感就很差,不协调,比 ai 还容易出戏)。如果因为一个读音就重新抽卡,显然成本太高,中间修改某个字,也麻烦。 这种估计只能等视频大模型能力提升才行了。
|
|
8
甚至刷一些视频的时候,AI 的配音会把战机 F-35 读成 F 负 35,简直无法直视
|
|
changnet5h 13m ago
9
不是多音字的问题,很多常见的字都会错,比如贺平生有贺盆生、贺旁生、贺长生。。。好多种
现在的 AI 做不到准确,要准确就得重复去修正,大家不都把这叫抽卡么。人像也有这个问题,所以经常会看到有些 AI 剧场景一转就换脸。 但是抽卡要花钱花时间,不是排名前几的那几个剧,哪有人愿意做 |
|
purringpal5h 10m ago
10
也跟风看了一点,但也只看得进去一点,因为画面确实算精良,但剧情属实一般,或者说高开低走,非常拖沓,根本看不下去。
|
|
yougg5h 2m ago
11
|
|
y0513135h 0m ago
12
技术上肯定是没问题的。多音字用 ssml 提供准确拼音即可。
问题是,你看这短剧还真带脑子啊.. |
|
longaiwp4h 57m ago
13
我觉得还是模型的理解能力有限,因为有一些常见的字也读错的,不常见的字读错就更常见了,感觉也不像是什么敏感词。
|
|
14
你们能忍受千篇一律的 ai 皱眉吗
|
|
foryou20234h 9m ago
15
一样发现这个问题,我估计是根本没有怎么仔细校对,估计制作方是为了节约时间或者懒得校对。如果是人工手动制作视频,很多视频的语音和文字都是同步的,而且基本都是正确的。
|
|
guanhui073h 55m ago
16
大模型的 TTS 会遇到敏感词确实会这样
|
|
Feeli3h 54m ago
17
现在基本就是这个问题吧,就是多音字读不准,有时候看着看着真的挺出戏的
|
|
ndxxx3h 54m ago via Android
18
稍微讲究一点的都是 tts 脚本和字幕脚本分开做的,就是为了避免这种多音字的问题。
持械入宋我也看过,只能说 95 后 00 后没吃过什么好的,这也能看得下去😅 |
|
QlanQ3h 5m ago
20
[石] 我就没见过几个剧能把这个字读对的!
|
|
v78640072h 51m ago
21
我高德导航有时候也会多音字出问题,大概是今年才开始的,有时候会出现 [左转(四声)],不是每次都出现。但是频率极高
|
|
Clannad07082h 27m ago
23
@auin #2 这种视频都是音画同出的吧,又不是配音,因为一个字,一个镜头的穿帮 重新生成整集视频? 这个成本太高了吧
|
|
ceilingyear2h 17m ago
26
看了一半 感觉不咋滴,剧情太剧本化了;正好团队就是这么全能,而且穿越接受设定也很快
|
|
daidou2h 17m ago
27
字幕的死字也不对,这个算是敏感字吗
|
|
ShiBuYi1h 41m ago
29
这个我看了 3 集吧,我完全看不下去。。。 然后就再也没打开过红果短剧
|
|
qieqie1h 39m ago
30
2 种情况,端到端合成(一般来说同时输出的视频直接带音频的就是)话就是生冷字素材训练不足,
用传统架构 TTS 配的就是字音转换模块 G2P 的问题,这块传统上都是靠堆规则和词典去解决的,但覆盖不好所有情况。 |
|
rammiah1h 38m ago
31
这种最简单的解决方式是手动注音,缺点是量太大,最好的解决方式是让 LLM 处理输出读音,发音改成替换字,tts 模型大多都支持直接注音
|
|
gardenssinner11h 32m ago
32
我感觉是在造神,鼓励大家都用 seedance 创造。。
|
|
cnmlgbd1h 13m ago
34
看了几集,感觉剧情太啰嗦了,看不下去了
|
|
erwin98521134 mins ago
35
@naver1 所以现在 ai 只能短剧,2、3 分钟让你忽视这些问题,要是连续看个 2、3 小时脑子都炸了。情绪都不会表达了
|
|
iVeego6 mins ago
36
我也有类似困惑,按说 TTS 应该很成熟了,很多不是多音字的问题,像是平仄音和前后鼻音的问题
|