人们听广播的时候，脑海中会幻想出说话者的样貌，
她可能是个面容清秀、身材瘦小的年轻女孩，他也可能是个四十出头、脸长肩宽的中年男人。
猜准年纪和性别，对大部分人来说不难，声音特质已经透露出这些信息。
但猜对具体的容貌却非常困难，人们只能回想脑海里有类似声音的人，把他们的脸贴上去。
人的声音和长相应该是分开的吧……
AI告诉我们：答案不对，有特定声音的人，会有特定的长相。
最近，麻省理工大学的科学家开发出一款AI，它能通过几秒钟的音频，还原出说话者的容貌，相似度非常高。
年龄、性别、种族、五官特征、脸型、发型、胡须造型，这些它能会绘制出来……
这款AI叫作“Speech2Face”，名字说得很清楚，“从话到脸”。
科学家创造它的目的，是想知道人类能在多大程度上，通过一个人的声音推断出他的长相。
乍一听上去，这像看相那样玄学，但背后的道理其实很好理解。
人类说话靠的是振动声带，它是位于喉部的左右对称的两瓣肉。声带的长度和宽度是影响我们音调高或低的主要原因，因为男性的声带较女性更宽，所以音调更低。
声带振动后，声音在我们的胸腔里嗡嗡作响，大部分从喉咙里传出去。
但这不是唯一的传声路径，我们的脸部也充当着声音的扩音器，颧骨、下巴、鼻子、嘴唇等都会振动，它们的厚度、结构不同，发出的声音也不同。
电脑能捕捉到这些细微的声音差别，继而画出说话者的面部特征。
这就是AI工作的原理。
麻省理工的科学家们收集了油管上数百万个视频，里面有十几万个人说话，他们将这些视频输入给Speech2Face。
Speech2Face会把视频中人脸的特征摘出来，制作出一张标准的正面照，这个照片基本等同对方的真人脸。
同时，它还会把声音从声波转成声谱图，然后传给人声编码器，找出其中的声音特征。
两两相对，Speech2Face就这样学会声音和相貌之间的关联，不需要其他的信息。
在大量视频的训练下，它只需要听3秒或6秒的音频，就能画出人脸。
比如，放美国情景喜剧《神烦警探》中男二霍尔特讲笑话的音频片段，Speech2Face会画出下方右侧的图。
和饰演霍尔特的演员相比，右侧的图脸更宽和胖，但肤色和鼻子形状与真人一样，效果不错。
其他测试对象还有白人老太太、非裔男子、拉美女孩和白人男性，
左边的真人图和右边的AI图对比，都挺像。
类似的对比图在论文里还有很多，下面这些图的第一列是视频截图，第二列是电脑根据截图转换的正面照，第三列是AI根据声音绘制的图。
将第三列和前两列对比，发现种族、性别、年龄、眉毛、发型和发色基本都对。
为什么眉毛和头发也能相似？它们又不随声音振动。
