当声音可以被复制：Alex Serdiuk 论 AI 配音、同意与高端本地化

一、嘉宾背景

这一期 The Futurists 的采访对象是 Alex Serdiuk。证据材料把他标注为 AI 配音领域专家，也是 ReSpeecher 的 representative/founder；节目主持人为 Brett King and Robert Tercek，具体访谈由 Rob Tercek 主导，标题是 “The Voice of the Future with Alex Serdiuk”。这不是一场普通的产品介绍，而是一集围绕“声音如何被 AI 复制、转换、授权和监管”展开的行业分析。节目时长接近一小时，因此有足够空间把技术、影视工业、劳动规则和乌克兰语境连接起来。

ReSpeecher 在证据中被描述为约 2018 年创立，面向电影、游戏和电视做 synthetic voice 与 voice cloning，重点服务高端娱乐用例。Serdiuk 在节目中说，公司处理的是影视和游戏中的“重要声音”：有时声音拥有者不能再以过去的方式表演，有时一个声音需要扩展到真人无法承担的规模。这样的背景决定了他的立场并不只是“AI 可以更便宜地读出台词”，而是更关心 AI 能否进入导演、音频工程师、演员和制片流程都能接受的高质量工作流。

Rob Tercek 开场把配音行业放进一个更大的产业框架里。他说，许多美国电影出口海外时会被重新配音，可能覆盖多达 40 种语言，整个 revoicing 和 voiceover 产业约为 70 亿美元。这个数字在节目中是 Rob 的行业 framing，而不是本文独立验证后的普遍事实；但它说明，节目关心的是一个长期存在、常被美国观众忽视、如今正在被 AI 改造的全球本地化系统。

二、本期主要内容

节目首先解释 ReSpeecher 为什么选择高端路线。Serdiuk 说，公司早期判断合成声音很少进入大片和游戏的核心环节，主要原因不是没有需求，而是质量不够。Rob 则补充了好莱坞对 AI 的防御心理：Writers Guild、Screen Actors Guild 等组织曾把 AI 视为替代创意劳动的威胁，后来合同开始规定 AI 使用条件，说明行业并非完全拒绝 AI，但要求边界、同意和规则。

技术层面，节目反复区分 speech-to-speech 与 text-to-speech。Rob 和 Serdiuk 共同解释，speech-to-speech 是先由真人艺术家完成台词表演，再把声音本身替换成另一个声音，因此 delivery、intonation、inflection、emphasis、pauses、breath 等人类表演细节可以保留下来。Serdiuk 认为，text-to-speech 从文本生成声音，同时也要生成 performance，所以在影视需要的可导演性，以及哭泣、歌唱、耳语和非词语声音上仍有局限。

随后，访谈转向影视本地化的复杂度。Rob 用德国观众长期把本地配音演员声音和 Tom Cruise、Brad Pitt 或 George Clooney 绑定的例子说明，声音身份并不只属于原演员，也会被市场习惯重新塑造。他还指出，西班牙语、俄语等语言在时长和音节上可能与英语不同，造成口型和句长匹配问题。Serdiuk 则纠正了“欧洲配音质量普遍很差”的泛化判断，说自己在乌克兰成长时看过高质量本地化好莱坞电影，今天也会享受乌克兰语本地化版本。

节目后半段进入伦理、监管和劳动权利。Serdiuk 说，ReSpeecher 从创立起就把 trust 作为基石，不开放大众市场 voice cloning，因为团队不希望技术被用于滥用人的 likeness 或 identity。公司会询问并保存声音拥有者授权，但授权仍不是充分条件：政治广告大规模生成、涉及不适当背景的音乐项目等，即使可能有许可，也会被进一步审查甚至拒绝。节目还讨论 No Fakes Act、德国 Netflix 配音演员合同争议、Susan Bennett 成为 Siri 声音、Beth Tandian 起诉 TikTok，以及 Scarlett Johansson 与 OpenAI 的声音争议，用这些案例说明声音权利正在被 AI 重新定义。

三、核心观点：推理、例子与边界

这期节目最有价值的地方，是把 AI 语音的讨论从“能不能克隆某个人的声音”，推进到“能不能保留表演，并进入真实制作流程”。如果只把合成语音理解为声音相似度问题，就会误判高端影视场景的难点。Rob 说，人耳对假声音非常敏感，观众不一定能准确说出问题在哪里，却会立刻感觉不真实；他还认为，音频质量会影响观众对画面质量的感知。Serdiuk 的技术路线正是回应这一点：speech-to-speech 把表演交给真人，把声音转换交给模型，避免让文本模型独自承担戏剧表达。

这一判断的推理基础很清楚。电影和游戏里的声音不是单词序列，而是角色行动的一部分。急促的耳语、带哭腔的台词、唱出来的声音，包含呼吸、停顿、力度、犹豫和身体感。Serdiuk 指出，text-to-speech 的训练目标更接近“把词语发出来”，因此在 crying、singing、whispering 等声音表现上存在限制。这里的限制并不意味着 text-to-speech 永远无法进步；Rob 也承认自己“可能会错”，未来情况可能改变。但在本集提供的证据内，高端影视项目更依赖 speech-to-speech，是因为它把最难自动化的表演部分保留在人身上。

第二个核心观点是，本地化不是一个翻译按钮，而是一组文化和制作决策。Serdiuk 说，高质量本地化先从 translation 和 localization 开始，然后才进入 voiceover。美国笑话进入乌克兰语环境时，不能只做字面替换，而要创造一个乌克兰观众能理解、同时符合电影语境的本地笑话。电影配音通常超过四周，长篇内容更复杂，Disney、Netflix 等公司在欧洲各区域依赖少数翻译和改编专家。这个例子说明，AI 的价值未必是消灭这些人，而可能是重排工作：让适合表演的演员不再受自然声线限制，也缓解儿童角色、排期和声音匹配等瓶颈。

但节目也不断为这种乐观划出边界。Rob 提醒，仅替换声音并不够，语言长度、口型动作和场景时长可能仍然不匹配，因此还需要 AI animation 重绘嘴部、延长场景，或生成原片中不存在的新帧。与此同时，他明确说，在 feature film 中改变演员的脸、声音或口型动作，必须取得演员同意，并遵守 guild、union 和合同规则。也就是说，AI 本地化的真正问题不是“是否能生成”，而是生成后的表演、画面、合同和观众感知是否能够同时成立。

第三个核心观点是，授权只是伦理底线，不是充分条件。Serdiuk 说，ReSpeecher 会要求并保存声音拥有者许可，但公司也拒绝过一些即使可能有许可的项目，例如政治人物想大规模制作全球政治广告，或涉及需要进一步审查的音乐项目。这说明声音权利不能被简化为一张同意书。声音和 likeness 具有社会后果：政治宣传会影响公共信任，名人色情内容会侵害人格，冒充孩子诈骗祖父母会直接造成伤害。ReSpeecher 的保守策略因此既是商业定位，也是风险控制。

监管讨论进一步暴露了这个问题的限制。按 Rob 的解释，No Fakes Act 如果成法，会建立个人控制 likeness 和 voice 的联邦权利，因为美国版权通常保护固定作品和表达，并不直接保护人的脸或声音。Serdiuk 支持这类监管，也说 ReSpeecher 参与过 Adobe、Open Voice Network、欧洲委员会和美国政策制定者推动的倡议。不过，他同时指出，技术不会因为美国规则而消失；用户仍可能使用不受美国规则约束的跨境工具滥用名人声音。因此，监管必须同时处理平台责任、跨境可获得性和低成本追责，否则规则会在个人维权成本面前失效。

劳动权利是这期节目中的另一条主线。德国 Netflix 配音演员争议表明，AI 训练不是抽象的数据问题，而是演员对自己声音、既有作品、未来替代风险和报酬结构的控制权问题。Rob 用 Susan Bennett 与 Siri 的案例说明，演员在录音时可能得到报酬并同意录制，却不知道后续会被产品化到何种规模；Beth Tandian 与 TikTok、Scarlett Johansson 与 OpenAI 的例子，则把这一问题从普通配音劳动延伸到平台和明星声音。Serdiuk 的立场不是简单反技术，而是要求知情、同意、模型用途透明，并对后续使用负责。

最后，节目把全球化和低资源语言连接起来，形成一个比“AI 配音省钱”更大的视角。Rob 说，Squid Game 和 Parasite 显示美国观众正在接受更多全球内容，但他也提醒，所谓全球受众仍然高度区域化，印度的多语言和多方言环境就是例子。Serdiuk 则说，ReSpeecher 因为只能使用少量、清晰、合规授权的数据，反而训练出较小但高质量的模型；大规模互联网抓取数据以英语为主，在乌克兰语、Swiss German 等低资源语言上可能出现 accent drift 或 identity drift。这个观点的局限在于，它主要来自 Serdiuk 对 ReSpeecher 能力和市场反馈的陈述，节目没有提供独立基准测试；但作为行业判断，它提出了一个重要反命题：在质量敏感、文化语境强、数据稀缺的语言里，合规小数据未必输给大规模抓取模型。

四、学习与应用

对影视公司、游戏工作室和本地化团队来说，这期节目给出的第一条应用原则是：不要从“声音相似度”开始设计 AI 配音项目，而要从完整工作流开始设计。项目需要先判断哪些段落需要真人表演，哪些段落可以自动化，哪些地方需要文化改写，哪些镜头会受口型、时长和画面动作限制。speech-to-speech 适合表演价值高、角色声音重要、导演需要精细控制的内容；text-to-speech 可以承担部分低风险或可快速迭代的声音任务，但在哭泣、耳语、唱歌和戏剧性表达中要谨慎。

第二条应用原则是建立分层质量标准。高端内容不能只问“听起来像不像某人”，还要问：演员是否完成了可用表演，导演能否调整情绪和节奏，音频工程师能否把声音放进混音，观众是否会被口型或时长差异拉出戏。儿童角色、老年声音、已故演员声音、跨语言明星声音，都是需要更高审查的场景。Serdiuk 提到儿童配音的排期和法规难题，说明 AI 的合理用途可能是缓解制作瓶颈，而不是把儿童演员、翻译和导演判断整体删除。

第三条应用原则是把同意做成流程，而不是把它当成一次性文件。声音拥有者许可应当被明确记录，但还要写清楚训练何种模型、用于何种产品、是否允许未来复用、是否可能替代原演员、是否有额外补偿，以及是否涉及政治、色情、诈骗、仇恨或其他高风险语境。ReSpeecher 的例子表明，即使有许可，也需要按使用场景做进一步判断。对平台来说，不能只把责任推给用户上传行为；Serdiuk 明确主张，在美国做业务的平台应对其技术用途负责并可被问责。

第四条应用原则是，监管和合同要降低维权成本。No Fakes Act 这类规则的重要性，在于补上美国版权法不直接保护脸和声音的空缺；但节目也提醒，如果个人必须花数万美元去起诉一个没有赔付能力的滥用者，权利就会变成纸面权利。因此，行业更需要可执行的下架机制、平台责任、可审计授权记录、训练数据来源说明，以及跨境工具滥用时的应对办法。这里的边界同样清楚：任何单一国家的法律都不能完全消除技术可获得性，所以治理必须与平台分发、支付、API 访问和内容传播机制结合。

第五条应用原则是为低资源语言单独设计，而不是套用英语主导模型。Serdiuk 把乌克兰语和 Swiss German 作为例子，说明低资源语言的质量问题常常不是“没有模型”，而是模型在口音、身份和文化语境上发生漂移。对教育、公共服务、媒体和文化机构来说，语言技术可以成为文化保存工具，但前提是尊重本地说话者、合规收集数据，并让母语听众参与质量评估。尤其在乌克兰语这样带有历史压制背景的语境中，语音 AI 不只是效率工具，还会触及身份、记忆和文化延续。

最后，对创业公司和 AI 产品团队来说，ReSpeecher 的案例提供了一种不同于“先规模化再修补”的路线。保守伦理会放弃一些短期收入，也会让公司无法进入低端、大众化、低约束市场；但它可能换来高端客户、演员 estate、工会和监管环境中的信任。Serdiuk 还把这种路线与乌克兰战时创业经验相连：公司在全面入侵初期从防空洞中交付项目，并称没有项目延期。这个故事不能被浪漫化为“压力一定带来更好产品”，但它说明，对高风险 AI 公司来说，交付能力、信任边界和文化立场可能共同构成长期差异化。

来源

• 原始节目：The Futurists - EPS_351: The Voice of the Future with Alex Serdiuk