□ 王公旭

随着现代信息技术的迅猛发展，人们所处的媒介环境正经历着前所未有的深刻变革。特别是近年来大语言模型、生成式人工智能等新技术在各行业各领域的快速广泛应用，更是催生了劳动者、劳动资料、劳动对象和生产关系的新一轮变革。

对于影视传媒行业来说，也是如此。早期的一些人工智能技术自20世纪起就给影视作品创作的内容产出、传播语态与话语模式等带来了深刻的影响。早在20世纪初，一些美国企业就已采用了人工智能语音技术，实现语音合成文本的生成。后来，AI语音技术作为视频信息流的辅助工具，在较长时间内以机械化的形式存在着。直到2018年央视纪录片《创新中国》运用AI语音技术，再现已故播音员李易的声音，标志着高质量AI配音的创新性突破。2024年5月，OpenAI发布的ChatGPT-4o版本，支持文本、音频和图像的任意组合输入，并生成文本、音频和图像的任意组合输出，以“响应更快、处理更快、效率更高”让人机交互发生了质的变化。

从技术层面看，AI语音技术在影视传媒领域的运用，能够实现智能语音交互，如自动配音、音频降噪、音效生成等，更好提升影视作品的听觉体验。但从文化的角度来看，作为一项新兴技术，AI语音在影视配音产业的推广应用仍面临较多挑战。因为AI语音并非仅仅是物理声波这单一层面的表现，还是社会文化领域内的一种不可或缺的符号元素，在某种意义上建构了全新的声音景观。以纪录片创作领域AI配音的声音景观构建为例，它给纪录片作品提供了很多创造性创新性的素材，丰富了声音语言的表达，但也可能导致感情基调的缺失，须在实际应用中予以辩证地使用。

算法定制资源预配。美国的媒介理论家保罗·莱文森认为，所有媒介的功能终将趋向更加人性化的发展。AI语音技术的兴起，归功于互联网、大数据、语音识别及语音合成等多项技术的发展。它能够通过解析特定的音色特征，实现语音的合成。在此情况下，声音的产生不会受限于人的生理机制。人类发声是通过气流振动声带，并经由口腔、唇、齿、舌的协调动作形成语音，而AI语音技术则通过算法模拟生成与真人相近的声音。理论上，声音数据的丰富程度越高，所合成的声音就越趋于真实。这就是AI语音技术算法定制的人性化体现。

此外，AI语音技术有着丰富的语录库和音色库，只要所获取的语音资料足够丰富，它就能够在多种场景下自如地变换音色。以微软AI配音平台为例，该平台提供了超过二十位虚拟配音音声选择。这些配音均基于庞大的声音数据库生成，与真实人声极为接近。这些预配的音色库资源为用户打造了一个标准化、可重复利用的表演平台，进而将人们丰富多变的个性特征通过不同的配音设定表现出来。

提高效率降低成本。传统配音的方式存在许多“短板”，诸如效率较低、成本高昂、易出错且对录音环境要求较为严苛等。AI语音技术则能在一定程度上解决这些问题，提高创作效率。首先，AI语音技术能够跨越地域限制，实现配音工作的远程协作，从而大幅削减配音演员因地域转换所耗费的时间成本。其次，配音演员在工作中通常需要通过协调录制时段、获得及时休息等来缓解嗓子疲劳。而由机器生成的AI语音则仅需维持电力供应即可实现全时段的持续运作。如中央广播电视总台推出的智能主播“AI王冠”，作为《“冠”察两会》节目的主持人，不仅能与财经评论员王冠同框互动，还可以长时间工作。

在降低成本方面，传统配音时代，配音演员需遵循需求方的要求，陆续完成备稿、试声、灌音、校改以及最终的音频精细调整等一系列流程和工作。其间，不仅配音演员要投入不少时间，需求方也要支付不少酬金。相比之下，AI语音技术能够给人们提供更为便捷且低成本服务支撑。应用中，人们可以根据实际需求，不断尝试不同的配音风格，如语气、节奏乃至音色等，直至满意为止。只要相关程序设计精确，还能确保不出现错字、漏字的情况，大大降低了人力、物力成本。

由此，以AI配音为技术支撑重新构建纪录片的声音景观，一方面能够实现感官的重构，即听觉系统的回归。19世纪60年代，加拿大学者马歇尔·麦克卢汉提出“声觉空间回归”的概念。他指出，在电子媒介主导的再部落化时期，耳朵可以与视觉形成竞争态势，进而重塑感官间的平衡。这一概念非意指在信息交流中听觉应凌驾于其他感官之上，成为唯一主导，而是强调在沟通过程中，人们应当积极地调动并利用多种感官，实现更为丰富和深入的交流体验。新媒体时代，数字声音媒介的具身性发展强化了我们的感知体验，AI语音技术的成熟也加快了听觉回归的趋势。纪录片的创作通常会遇到老资料中的人声或受环境影响或因技术限制而品质不佳的情况。此时，借助AI语音技术，就能够有效识别和抑制音频中的噪声，进而有针对性地改善音质，提升纪录片的创作效果。尤其是在自媒体时代，独立纪录片创作者可以根据自己的个性化审美为纪录片选配不同风格的配音解说，更好地帮助观赏者实现听觉系统的回归。

另一方面也可能带来美感的削弱和情感的失衡。其中，“美感的削弱”，即过于依赖技术生成而忽视了有声语言的自然魅力。有声语言表达本身承载着创造性的美学功能，这不仅使语言成为沟通的工具，更赋予了它成为激发情感共鸣的活力载体的特性。现有的由AI配音的纪录片往往因缺乏深度的思考与理解，在声音的处理上多表现为机械化、粘连化甚至是冰冷的语调语态，既少了人情味儿，也丧失了有声语言应有的美感。对于真人配音演员来说，他们常在拿到配音稿后备稿，并结合当下的语境与环境条件进行创意构思与艺术表达，将自己的生活经历与态度融合，具有鲜明的个人特质。然而，AI语音技术由于不具备思想，其本质上缺乏自主思维能力，只能依赖人类预先设定的编码程序，并通过一系列操作机制来执行功能，配出来的声音往往缺乏审美价值。

诚然，只要“投喂”的文本无差错，AI配音在吐字发声上基本不会出现问题或失误。但在声音景观的视角下，声音是被特定的社会文化所塑造的一种文化负载。纪录片中具备独特性的配音能够引导观众构建起一个情感共鸣的听觉社群，并通过这些听觉体验，使观众变为创作者的追随者。若制作者普遍使用AI语音技术为纪录片配音，很多情况下是很难在受众心中构筑起具有辨识度的声音景观的。没有有效的声音景观“架桥”，观众自然也就难以与纪录片创作者达成情感的共鸣。

“情感的失衡”，则是情绪真实感的下降。“情、气、声”语言表达技巧的运用是真人纪录片配音的基本要求。其中情感排在首位，是纪录片配音的灵魂所在。而由AI语音技术生成的纪录片往往会因为配音机械化、生硬化而缺乏情绪的真实感。加拿大作曲家、生态环境学家穆雷·谢弗认为，当前社会，声音环境面临的挑战不只是声音冗余与清晰度不足，更在于声音日益趋向合成化，自然发声愈发显得非自然。AI语音技术难以在纪录片中构建出真切的情感，这一方面源自技术合成的精度不足，另一方面则由于感情基调的缺失。

从声音景观的维度看，“声景”不仅意指外在于人、客观存在的声音环境，更侧重于通过听觉感知或感官体验文化的介入，在个体认知框架内形成的对这一声音环境的内在印象，乃至内心聆听或构想出的多元声音图景。

在日新月异的数字化技术赋能下，AI语音技术在纪录片创作中的应用能够帮助创作者塑造出更趋丰盈的声音场景。但与此相伴随的美感削弱和情感失衡等问题，也应该引起创作者们的足够重视。在实际创作中，应充分权衡AI语音技术的利弊，既充分利用其高效便捷的优势，快速生成多种风格的配音，为纪录片增添丰富的声音元素，对相关音频素材予以专业的降噪处理，更好提升纪录片的听觉体验，又尽量避免其可能存在的情感张力不足的问题，根据纪录片的内容和风格，以及充分考虑受众的文化背景和听觉习惯，选择合适的声音元素和配音方式，以构建起具有辨识度的声音景观，与受众达成情感的共鸣，进而提高其创作效率、美感价值与传播效能。

（作者单位：苏州大学传媒学院）