艾玛沃特森合成(美人计｜明星玩左右脸对称大赛，蕾哈娜秒了一大票女神)

艾玛沃特森合成(美人计｜明星玩左右脸对称大赛，蕾哈娜秒了一大票女神)

艾玛沃特森合成文章列表:

• 1、美人计｜明星玩左右脸对称大赛，蕾哈娜秒了一大票女神
• 2、壹现场丨AI换脸技术被滥用 伪造不雅视频牟利涉嫌犯罪
• 3、基于1000多万个化学反应，加速合成人类所需的化合物
• 4、AI换脸新邪术？一文教你用FaceNet秒侦破
• 5、美女与野兽：这部动画片才真正引领了歌舞类型的文艺复兴

美人计｜明星玩左右脸对称大赛，蕾哈娜秒了一大票女神

虽然没有100％对称的脸，但每个人左右两边脸的差距，也是拉开了颜值分数线。从最美港姐李嘉欣到嘻哈天后蕾哈娜，今天我们就来看看，到底谁的脸最经得起推敲。

港星的拼脸对决

李嘉欣

有最美港姐之称的李嘉欣，中葡混血的深邃轮廓，迷倒了无数人。但李大美人的左右脸也不太对称，左边脸更窄一些。

赵雅芝

白娘子的脸型还是蛮对称的，除了眼距有一点差别之外，几乎没有明显的不协调。

张柏芝

那时的张柏芝还有点婴儿肥，但五官可以说是仙女。脸型上左脸稍微圆润一点。

关之琳

关美人的对比图好厉害啊！除了高低眉让视觉上有点差距，其他真的没什么好挑剔的。

王菲

王菲属于气质型美女，在对比图上我们可以看出，除了脸型的一小点变化，五官也是没差。

林青霞

在港星的拼脸对决中，林青霞是大赢家。如果不说大家都感觉不出来是左右脸合成的照片，像是三个不同角度的自然照片。

欧美贵圈也在玩

艾玛·沃特森（Emma Watson）

“屈臣氏小姐”玩这个游戏稍微有点吃亏，因为她的左脸稍微有点突出。

左脸的照片出来，感觉稍微有点抱怨！

右脸比较消瘦，感觉她有点贝嫂的影子。

凯蒂·佩里（Katy Perry）

水果姐的正面照片很ok，基本没有明显不对称的痕迹。左脸的苹果肌稍微突出一点。

左脸的照片很少女，多了些亲和力。

右脸的照片和她本人比较接近，看来明星在拍照时都很懂自己的角度。

碧昂丝·吉赛尔·诺斯（Beyonce Giselle Knowles）

碧昂斯应该不会差太多，毕竟从眼睛和嘴角来看，基本是在一个水平线上。

因为左脸要饱满一些，所以左脸的拼图，会比她的正常照片宽一点。

右脸的拼图放佛看到了她老公Jay-Z的影子，难道这就是传说中夫妻相！

泰勒·斯威夫特（Taylor Swift）

轮五官Taylor真是没在怕的，但不对称的腮帮，真是吃了大亏。

左脸的宽腮帮，真是把脸拉大不少。好在颜值实在是高，还特别有英伦贵族的感觉。

右脸的拼图让Taylor看上去比实际样子要成熟，可能太过锋利的眉形造成的。

蕾哈娜（Rihanna）

就这么看，谁都不会觉得Riri是这个游戏的大赢家，但你们看完拼图就懂了。她的左右脸拼图，居然超越的本尊。

左脸拼在一起，发生发生了什么，是打了瘦脸针吗？眼睛变得好有神，轮廓也显得立体了，还换了一张瓜子脸。

右脸的拼图让眼睛和鼻子变柔和了，感觉年轻了不少。而且有点下垂眼的感觉，真的很可爱呢！

如何判断对方的脸是否对称

1/左眼尾－右眼尾

2/ 左边嘴角－右边嘴角

3/ 左边颧骨最高处－右边颧骨最高处

4/ 额头－鼻头－下巴（检视左右脸面积大小是否差不多）

5/上门牙中线－下门牙中线

在测量时可以用笔来辅助，若是连起来的线并不是正的话，那么就代表脸部骨骼其实有些倾斜。

左右脸不对称的常见原因

1/ 脸部不对称一般和我们的睡眠和饮食习惯有关，经常侧向一个方向（左或右）睡觉，受压迫一边的脸会比另一边大。

2/平时吃饭的时候，经常用一侧牙齿咀嚼食物，长期咀嚼的一边的脸，就会比另一边的咬肌发达。

3/ 还有很多人的身体也不对称，比如肩膀高低，和胸部大小。

用筷子拯救不对称脸

1/ 因为咀嚼方式不正确所造成的下颚歪斜，可以用筷子帮助脸型恢复。

2/ 用牙齿咬住筷子，并保持30-60秒。

3/ 保持咬住筷子的姿势，嘴角尽量向上提。

脸颊歪斜用按摩来解决

1/ 双手扶住脸颊，先向顺时针的方向打圈按摩，然后再反方向做一组。

2/ 用拇指的部分贴住颧骨最高处，向耳部方向推压，帮助两腮的肌肉放松。

3/ 用手部沿着耳后、脖子的淋巴向上推，帮脸部线条提升。然后顺延到淋巴，帮助排除面部的毒素。如果你觉得用手指按摩不够给力，还可以借助高科技的仪器，来实现更好效果。

心水推荐

ReFa CARAT太阳能3D微电流白金滚轮

价格：￥1899/支

可实现揉捏复杂动作的双引流滚轮，仿切割钻石特殊形式的滚轮,可以产生多个加压点，使女性的纤细肌肤得到紧致的效果。

Philips飞利浦多功能SPA仪

价格：￥1800/型号SC5340

分别有按摩和清洁的刷头。一台美容仪，有净颜、焕肤、亮眸三种功效，轻松告别脸部浮肿，打造活力好气色。

Beauty BAR 24k黄金棒脸部按摩棒

价格：￥688/支

这款电动的按摩棒除了能消除水肿，瘦脸之外，还可以淡化细纹，消除黑眼圈和眼袋。我们也可以用它来按摩身体的淋巴部位，让身体得到更好的舒压。

Clarins娇韵诗纤妍紧致慕丝面膜

价格：￥450/75ml

一款针对脸部水肿的，快速紧致水洗式面膜。柔滑轻盈的慕丝乳霜质地，为我们提供愉悦的使用触感。提升面部轮廓，从此告别恼人的水肿脸。

Hi Girls，想了解更多丰富内容，来戳「 阅读原文 」才能一网打尽~

时尚COSMO原创内容

未经授权，禁止转载

如需转载，请联络我们获取版权

壹现场丨AI换脸技术被滥用 伪造不雅视频牟利涉嫌犯罪

8月28日，刘昊然工作室发布声明称，有人利用AI换脸技术传播对刘昊然带有侮辱性的视频、截图，并做报警处理。此消息一出，引发网友对AI换脸的再度热议。“一键换脸，让明星做你想看的事”、“大叔秒变萝莉御姐网红音”……AI变声换脸应用，玩法多样。随着技术的发展，从AI“换脸”技术到人脸识别支付，人脸信息运用的领域越来越广泛，但却有不法人员“移花接木”制作不雅视频牟利甚至诈骗勒索。

现象

AI技术就能轻松换脸 真假难辨

所谓AI换脸就是通过人脸特征自动提取、编码等技术，将视频中的角色进行“改头换面”。

其实早在2019年就有一个流传甚广的换脸视频，阅读量上亿还登上了热搜。有人将《射雕》里饰演黄蓉的朱茵换成了杨幂的脸。从轮廓、表情上很自然，不易发现其中端倪。

近来，某些艺人因个人行为触犯法律，被列为劣迹艺人，作品也被下架处理。但剧方为了顺利播出并挽回一定的损失，对于还没来得及播出的影视剧中涉及此艺人的形象会用AI技术换成另一位演员的脸。

在2020年播出的《了不起的儿科医生》中，就有眼尖的网友发现原本由被列为劣迹艺人的仝卓饰演的雷皓一角被全程“AI换脸”，由另一男演员李欢替代。不少网友认为，不仔细看很难察觉有换脸迹象，可见AI技术已达到一定的成熟度。

“换脸版”不雅视频热传 明星频中招

8月28日，男艺人刘昊然的工作室的一则声明引发关注，其中称，有人利用AI换脸技术传播对刘昊然带有侮辱性的视频、截图，同时还有含有存在诽谤言论的聊天记录。该工作室表示，今年1月就曾被恶意传播，目前已向警方报案。

甚至更有不法分子利用AI技术移花接木制作不雅视频，将视频中的人脸换成明星后在网络上出售，女明星最易成受害对象。

据此前外媒报道，泰勒·斯威夫特、艾玛·沃特森等多位女演员被换脸成为不雅影片的女主角。

北青-北京头条记者发现，截至目前，网上仍有很多提供程序、教程甚至代做服务的商家。有店家称，一张照片就能做成高清动态换脸视频。“一条视频，一块九毛八。多条还可以优惠。”

分析

AI变声换脸诈骗也登场 警方揭秘

此外，这项技术还成为新型诈骗手段。江苏常州一90后小伙就因好奇和骗子“过招”被骗11万。他明知可能遇到了裸聊骗局，但出于好奇想看看骗子是怎么骗钱的。结果只因露了一下脸，就被骗子的AI换脸技术坑了。骗子给他AI换脸伪造了一段“裸聊视频”……

骗子还发来他的手机通讯录，告知如果不花钱消灾，就让他在家人朋友面前抬不起头。无奈小伙将仅有的11万全部转账后，骗子才罢休。

AI不仅能换脸甚至能变声。北青-北京头条记者梳理公开报道发现，警方就曾对AI诈骗常用手法进行了揭秘。

所谓声音合成就是骗子通过骚扰电话录音等来提取某人声音，获取素材后进行声音合成，从而可以用伪造的声音骗过对方。比如，2020年12月，某公司财务小王接到领导电话，要求立刻给供应商转款2万元，并将转账信息以邮件形式发送，转款理由是避免缴纳滞纳金。由于老板的口音十分逼真，小王信以为真，在1小时内转款完成，后发现被骗。

警方表示，骗子不是漫无目的地全面撒网，而是别有用心地锁定特定对象。他们会根据所要实施的骗术对人群进行筛选，从而选出目标对象。

相对来说，人脸效果更易取得对方信任，骗子用AI技术换脸，可以伪装成任何人，再通过视频方式进行信息确认，真是防不胜防！骗子首先分析公众发布在网上的各类信息，根据所要实施的骗术，通过AI技术筛选目标人群。在视频通话中利用AI换脸，骗取信任。在一起案例中，小李的大学同学通过QQ跟她借钱。对方打过来一段四五秒的视频电话，小李看到确实是本人，便放心转账3000元。然而，她在第二次转账时感觉异常，便再次拨通对方电话，这才得知同学的账号被盗，遂报案。警方判断，那段视频很有可能是被人换了脸。

警方表示，面对利用AI人工智能等新型手段的诈骗，要多重验证，确认身份。目前，AI换脸难以肉眼区分。因此，在涉及钱款时，尽量通过电话询问具体信息，确认对方是否为本人。

保护信息，避免诱惑也很重要，要加强个人信息保护意识，对于不明平台发来的广告、中奖、交友等链接提高警惕，不随意填写个人信息，以免被骗子“精准围猎”。

此外，还要做好家中老人的宣传防范工作。提醒老年人在接到电话、短信时，要放下电话，再次拨打家人电话确认，不要贸然转账。

律师

随意换脸挑战法律底线 可能涉嫌犯罪

作为一项新兴的技术，总会带来新体验。AI换脸也让许多人跃跃欲试，在这场互动性强、参与度高的尝试中，滥用的行为挑战了法律和公序良俗的底线。随意换脸的行为是否侵权？受害方又该如何维权？

山东诚功律师事务所律师孔姣表示，目前来说，AI作为新兴科技本身在法律上本身是不受禁止的，只有行为人通过人脸技术实施具体的违法犯罪行为时，才会需要承担相应的法律责任。

她认为，这项技术之所以如此泛滥，一个重要原因是它能够被低成本快速地获取和运用，各类软件上的一键换脸功能导致人脸技术不再需要高水平的操作，普通人也能够轻而易举的实现换脸。

孔姣介绍，对于刘昊然等艺人的不雅视频事件，已经不单单是民事侵权的问题，利用AI技术制作不雅视频获利的行为，已经涉嫌犯罪，根据《中华人民共和国刑法》第三百六十三条规定，以牟利为目的，制作、复制、出版、贩卖、传播淫秽物品的，处三年以下有期徒刑、拘役或者管制，并处罚金；情节严重的，处三年以上十年以下有期徒刑，并处罚金；情节特别严重的，处十年以上有期徒刑或者无期徒刑，并处罚金或者没收财产。

她还指出，随意换脸的行为侵犯了他人的肖像权，同时，如换脸采取了对肖像权人进行丑化或其他可能导致肖像权人社会名誉降低的行为，根据《民法典》第一千零二十四条之规定，可能同时构成名誉权侵权，制作者需要承担相应的侵权责任，包括停止侵权、消除影响、赔礼道歉、以及损害赔偿。

对于平台上的网络用户利用网络服务实施侵权行为的，权利人有权通知网络服务提供者采取删除、屏蔽、断开链接等必要措施。通知应当包括构成侵权的初步证据及权利人的真实身份信息。网络服务提供者接到通知后，应当及时将该通知转送相关网络用户，并根据构成侵权的初步证据和服务类型采取必要措施；未及时采取必要措施的，对损害的扩大部分与该网络用户承担连带责任。

“至于购买者客观上并未实施侵权行为，如未进一步对外进行传播，则无需承担法律责任。”孔姣称，作为受害者，当发现自己的权利受到侵犯，应当第一时间进行取证，保留侵权的证据，同时向平台方进行投诉，避免损失的进一步扩大。同时，一旦发现涉嫌刑事犯罪，及时向公安机关进行报案，通过合法的途径维护自己的合法权利。

文/北京青年报记者 宋霞

编辑/白龙

基于1000多万个化学反应，加速合成人类所需的化合物

人工智能带来的革命仍在继续：从沃森（Waston）机器人不到10分钟诊断出白血病，到AlphaGo击败世界排名第一的围棋选手；从战场到太空，随处都可见其身影。其实，AI也早已渗透进科研领域，成为科学家进行学术研究的新手段。

现在，科学家们已经构建出了化学界的“Alphago”：科学家们在《Nature》上发文证明，AI能够以前所未有的速率进行逆向合成分析。

在化学研究中，由简单的原料开始合成一个复杂化合物是非常困难的。而逆向合成则是设计化合物生产的标准方法，即化学家们通过逆向思维，从想要制造的化合物分子开始，然后分析可以通过哪些容易得到的试剂和反应序列来合成它，这种方法被广泛用于制造药物和其他产品。

逆合成分析法于20世纪60年代由哈佛大学教授E. J. Corey提出。Corey教授因发现这一方法，获得了1990年的诺贝尔化学奖。

过去，科学家们一直使用计算机辅助有机合成的方式，来完成逆合成分析过程。尽管这种方法可以提高合成效率，然而传统的计算机辅助方式合成速度仍然较慢，且提供的分子质量参差不齐。人类还是需要手动搜索化学反应数据库，来找到制造分子的最佳方法。

图丨Marwin Segler

而 Segler团队开发的新AI工具则使这一过程大大缩短。在未来，人类发现新药或者其他产品的速度将有望达到全新水平。

化学反应也如同下棋

其实，化合物的产生和下棋也有异曲同工之妙。相关的化合物可以被分解成基本组成成分，这些成分便是“棋子”，而计算机程序为这些“棋子”提供不同的路径，然后再在实验室中将它们合成。

当然，理论上来看这似乎是很容易的事情，但在实践中却遇到了困难。Segler说：“化学领域比围棋界有更多的可能性，问题也要复杂得多。”

图丨和两种传统合成方法相比（红色和绿色），使用新型人工智能算法（蓝色）在较短时限内可以完成更多分子的合成路线预测。

而在最新的研究中，新的AI工具通过深度学习神经网络来学习所有已知的单步有机化学反应——大约1240万个。这使它能够预测在任何单一步骤中可以使用的化学反应。AI工具重复应用这些神经网络来规划多步骤合成，解构所需的分子，直到最终得到可用的试剂。这项工作得到了德国研究基金会的资助。

图 | 逆合成分析法示意图

Segler说：“逆向合成是有机化学中的终极学科，一名化学家需要数年的学习才能掌握它——这像下棋一样，除了要学习专业知识外，还需要敏锐的直觉和极强创造力。我们所展示出的是：计算机本身就可以从现有的文献中学习种种规则及这些规则的应用。”

目前，许多来自不同学科的研究人员正在着手研究将深度神经网络与蒙特卡洛搜索树相结合。蒙特卡洛搜索树是一种用来评估游戏中移动情况的方法。每走一步，计算机会模拟无数种可能发生的情况，比如如何使象棋游戏结束，计算机会选择最佳方式去走。

图丨Mike Preuss

类似地，机器也可以使用这种深度神经网络，来寻找化学合成中的最佳方式。信息系统专家兼该项研究作者Mike Preuss则用一句话总结了这次的化学界“Alphago”的成功秘诀：“深度神经网络用于预测哪些分子会参加反应。蒙特卡洛搜索树来预测反应的可能性”。

具体而言，该团队开发的AI算法拥有一个包含1200万个已知反应的数据库，其深层的神经网络程序可以从1200万个已知反应中不断学习，而不是在硬性规则中进行编程。而数据库提供的数据越多，算法可以探索的化学途径就越多，预测合成路线的准确度也就越高。

这个算法还运用了类似于AlphaGo的蒙特卡罗树搜索，可将目标分解成数千个可能的节点，在每一步化学反应后评估最有可能成功的下一步，并进一步探索这个“分支”。

图丨AI算法探索不同的化学路径并选择成功率最高的

在一次测试中，Waller的小组使用该算法尝试绘制治疗阿尔茨海默病的某种药物中间体的六步合成路线。结果算法在5.4秒内就计算出了与文献反应相同的途径。

正如Segler说，“人们认为，像教计算机下国际象棋一样，将大量规则输入计算机，就能够实现想要的效果。但这并不奏效——化学是非常复杂的，它不能仅用简单的规则去理解。事实告诉我们，有新反应的出版物数量每十年就会翻一番。化学家和程序员都无法跟上这种变化。我们需要AI的帮助。”

药物合成领域的里程碑

那么，这次的化学界“Alphago”究竟本事如何呢？

在一项双盲AB测试中，Muenster 的研究人员发现，AI生成的合成路线丝毫不逊于经过测试生成的的合成路线。

Segler和他的团队为了测试新AI工具所产生的途径是否能被有经验的化学家分辨出来，向来自中国和德国的两个研究所的45位有机化学家展示了9个分子的两种潜在合成路线：一种由AI合成的途径，另一种途径是由人类设计的。结果，有机化学家们并不能区分出来。

Segler说，“我们希望化学家能通过我们的方法，使用更少的资源，进行更少的实验，生产出能够提高我们的生活水平的物质。”

事实上，自20世纪60年代以来，研究人员一直在试图利用计算机能力规划有机化学合成，但收效甚微。那个时候，有机化学实验室看上去还像是炼金术的天堂：成排的试剂瓶，老旧的木制试管，以及俯在案边忙碌的化学家。

经过50年的快速发展，实验室场景在改变，不过，科研人员工作的本质没变，有机化学家仍需要不断描绘所需要的反应顺序，然后试着遵循这一顺序用手煞费苦心地进行操作。

而随着人工智能技术的发展，人们开始试图将机器和人工智能整合至科研进程中，通过创造能自动合成有机分子的设备，将化学家们解放出来。

尽管这次的成果并不是第一次在药物合成中运用AI工具，但是，化学家们仍将这一发展视为药物合成领域的一个里程碑，这不仅是因为它可以加速药物发现过程，也是因为它是目前使用AI来标记潜在反应路线的最有效程序之一。

2018年3月，韩国Ulsan国立科学技术研究院的化学家Grzybowski报告说，他已经在实验室测试了新AI工具算法建议的8条化学反应途径，并且都成功了。

值得一提的是，Segler团队的新AI工具的工作原理有别于Grzybowski及其团队此前发明的加速化学合成的Chematica（它需要人将有机化学规则输入到该系统中供程序使用），因为它只从数据中学习，不需要人类输入规则。

瑞典计算化学家Ola Engkvist对这项工作印象深刻。他说:“提高合成化学的成功率，对药物研发项目的速度和效率以及降低成本都有巨大的好处。”

Segler也透露，这个AI工具已经引起了几家制药公司的兴趣，但他并不认为有机化学家会因此失业。“AI将成为化学家的助手，”他打了一个比方，“GPS导航设备可能会使纸质地图变得多余，但不是使汽车驾驶员变得多余。”

“在过去的60年里，科学家们一直试图通过人工编码的方式，将合成规则指定给计算机，”Waller博士在论文中写道：“和传统方法不同的是，我们使用了具备规划能力、符号象征能力及自动化学习能力的强大算法，这对于计算机能否在化学合成中发挥辅助作用至关重要。而这一技术也为满足人类在农业、医疗及材料科学等领域的需求奠定了坚实的基础。”

AI换脸新邪术？一文教你用FaceNet秒侦破

全文共4341字，预计学习时长12分钟

图片来源：CNN-business

某天，你谈了三个多月的网恋对象，在你要求面基的后三秒毫不犹豫地将你从朋友列表拉黑删除。

你心里咯噔一下，先不说平时一言不合就发的红包，光转账就好几笔巨款。你心想，完了，被骗了。

你慌忙拿着对方发给你的自拍照去警察局报了案。

结果警察告诉你，不好意思先生，这张照片是AI合成的，照片里的人根本不存在。

AI换脸大行其道，直叫人真假难辨！

AI换脸术早在17年就在国外引发过热烈讨论和争议，各种换脸视频的背后，是一种叫做Deepfakes的技术。

这项技术进入大众视野最初是由于Reddit论坛上一个名叫“DeepFakes”的用户上传了一个成人电影片段，视频中该用户将《神奇女侠》女主角盖尔·加朵的脸换到了一名成人电影女演员的身上，竟看不出丝毫破绽。

此后，Deepfakes用来指代使用AI来更换视频中人脸的技术。

AI换脸术让广大中国网友惊掉下巴的可能要数今年2月，一段B站某up主发布的“杨幂版1994年《射雕英雄传》”视频在网路上疯传。

这段视频被转发到微博上引发了网友们的广泛关注和热烈讨论，后由于涉嫌侵权被作者下架，在下架之前该条微博阅读量就已高达1.2亿，评论数多达2.8万条。

事实上，不止杨幂，B站上的名场面几乎被up主们恶搞了个遍。比如让网友们惊呼“息影后再出国际巨作”大战灭霸的徐雷神，还有“忘记海王长什么样了”气势汹汹的江海王。

当然，AI换脸界种子选手微博用户@慢三与偏见前不久又坐不住了，这不，当“傲娇小可爱”苏大强换上男神吴彦祖的脸，竟也是毫无违和感。

因为换过后的脸实在太过自然，自然到让不熟悉他们的人在乍看这些视频时都不会觉得有什么异常。

虽然技术本身是很有趣，也让大家调侃道“未来演员都不用去现场录制了，直接后期处理换脸就行”，但也让不少网友感到担忧。当不法分子用爱豆的脸散播一些不当言论或者做出一些不当行为时，带来的负面影响将会非常可怕。

比如微博用户CareRoy_王源反黑组就曝光了最近有人利用AI换脸技术在微信冒充王源发表不实言论并在企鹅群内骗取粉丝刷礼物，让很多粉丝上当受骗多受困扰。

此外，有很多女明星的脸被用在一些不可描述的视频上。比如前面讲到的盖尔·加朵，还有艾玛·沃特森、石原里美等等。

甚至，爱研究黑科技的英伟达公司在18年12月用计算机生成了一批人脸，然而这些人脸压根就不存在。也许就像开篇我们提到的，有一天你可能真的会“爱”上一个本就不存在的人。

当AI换脸成为挤掉各大美颜软件的新一代“邪术”，我们该如何应对？

AI做的恶，让AI 来解决。

AI换脸术以假乱真的当下，其背后所引发的一系列网络和技术安全问题，必须予以高度重视。用AI做的恶，自然也要用AI来解决。

近日，由DEF CON和百度安全联合主办的2019第二届DCCB（DEF CON CHINA Baidu）安全行业国际峰会在北京正式开幕。DEF CON被誉为极客界的“奥斯卡”，是全球网络安全界顶级会议之一。

图片来源：DCCB官网首页

“伪造视频有很严重的安全威胁，我们需要用技术去检测。”百度安全研究人员说。

会上，来自百度安全的专家们向参会者展示了识破换脸术的两种方法。据介绍，他们在探索换脸术危机的应对策略时，同样使用了基于深度神经网络的识别方法，他们发现用AI来解决AI，是一种行之有效的手段。

方法之一实际还是“看”。但这个“看”，跟人类用肉眼看有所不同，它是用计算机去识别视频画面中肉眼观察不出的一些低级特征，比如每一帧视频的分辨率、色度等。毕竟Deepfakes生成的换脸视频多少都有些“造”的痕迹，比如画面不清晰、脸部轮廓不流畅不自然等等。通过AI来识别这些人眼不可察的“瑕疵”，就能一秒勘破换脸术。

方法之二是基于谷歌提出的FaceNet算法模型，这个模型原本是用来做人脸检测的。简单来说，其实就是将输入的人脸图片映射成一个向量，通过计算向量在欧式空间的距离，如果距离非常相近，就说明是同一个人。反之，则不是。通过该技术来比对人脸信息特征，算法就能找出处理后的换脸视频。具体针对FaceNet的技术解读，可以看下一部分介绍。

图片来源：DCCB官网首页

当然，除了百度安全专家们提出的这俩勘破换脸术的手段，国外也有不少在此方面的研究，具体不再一一介绍。

此外，据媒体报道，达特茅斯学院的一位教授正在开发一款可以识别假的政治视频的软件，目的是防止公众因为受到假的政治演讲视频误导而对美国接下来的大选投票产生不良影响。

美国一位研究员Siwei Lyu目前也正在与美国国防高级研究计划局（DARPA）开展深度合作，致力于开发可以检测并过滤掉Deepfakes视频的软件，以防止被操纵的虚假内容被上传到互联网上。

正式动手前，再来了解一下FaceNet

本文最后一部分将会教你怎么在移动端（Android 或者IOS系统均可）用代码实现你自己FaceNet，但在此之前，我们再来简单介绍一下FaceNet。

FaceNet是一种高性能的人脸识别、验证和聚类神经网络。它具有22层深度神经网络，可直接训练其输出维度为128维。FaceNet的结构如下图

Deep Architecture就是传统的CNN，论文中只提到使用的是GoogleNet，但没具体说用的是GoogleNet的哪个版本，不过这不是关键。

通过 CNN 将人脸映射到欧式空间的特征向量上，在FaceNet训练期间，深层网络提取并学习各种面部特征，然后计算不同图片人脸特征的欧式距离。训练原则是基于相同个体的人脸距离总是小于不同个体的人脸距离这一先验知识。

测试时只需要计算人脸特征，然后通过事先设定好的阈值即可判定两张人脸照片是否属于同一个人。

FaceNet一文中的最大亮点，就是作者提出的Triplet Loss损失函数。以往的损失函数都是一个或者两个，而本文作者开创性地提出了三元组损失函数。

举例来说，我们想要比较埃隆·马斯克的照片（Anchor），如果我们输入了另一张埃隆·马斯克的照片，那么我们得到了一个Positive；但如果我们输入的是约翰·特拉沃尔塔的照片，那就是一个Negative。

因此，在欧式空间中，经过神经网络学习后，Anchor图像会更接近Positive样本图同时远离Negative样本图。这样就达到了我们鉴别是否属于同一个人的人脸的目的。

勘破换脸术？你的手机就可以

在移动设备上运行AI模型时，需要考虑内存和解析开销的问题，而Tensorflow提供的.tflite文件格式就是为了解决深度学习模型在移动设备上运行时的资源受限问题。

下面我们一步一步来看

第一步，克隆FaceNet存储库

$ git clone

我们将量化大小为512维的预训练FaceNet模型，你也可以选择使用具有128维大小的模型。在量化之前，该模型的大小约为95MB。

wget模型到 ../facenet/models/目录

$ ls -l models/total 461248-rw-rw-r — @ 1 milinddeore staff 95745767 Apr 9 2018 20180402–114759.pb

在你的机器上安装Tensorflow

$ pip3 install tensorflow

注意你的python版本需要大于等于3.4

第二步，划分阶段

这里我们将模型实现分为几个分支，这样将减少操作总数，同时考虑到在移动端，我们就不训练了，直接进入图像推断分支。

如果你尝试将FaceNet模型.pb文件转换为.tflite，你将会收到BatchNorm的错误提示：

ERROR: mean, multiplier and offset needs tobe constant.

如何解决呢？在代码中，我们设置is_training = False以便BatchNorm按照推理模式来工作。下面这段代码设置了arg_scope，因此在全局的BatchNorm中都适用。

inception_resnet_v1.inference(data_input, keep_probability=0.8, phase_train=False, bottleneck_layer_size=512)Here: is_training = phase_train = False

要创建一个仅用来推理结果的模型，请将以下代码粘贴到inference_graph.py目录下的文件中 ../facenet/

import tensorflow as tffrom src.models import inception_resnet_v1import sysdef main(): traning_checkpoint = “models/model-20180402-114759.ckpt-275” eval_checkpoint = “model_inference/imagenet_facenet.ckpt” data_input = tf.placeholder(name=’input’, dtype=tf.float32, shape=[None, 160, 160, 3]) output, _ = inception_resnet_v1.inference(data_input, keep_probability=0.8, phase_train=False, bottleneck_layer_size=512) label_batch= tf.identity(output, name=’label_batch’) embeddings = tf.identity(output, name=’embeddings’) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) saver = tf.train.Saver() saver.restore(sess, traning_checkpoint) save_path = saver.save(sess, eval_checkpoint) print(“Model saved in file: %s” % save_path)if __name__ == “__main__”:main()

运行脚本创建仅推理模型，将其保存在../facenet/model_inference/目录下

$ python3 inference_graph.py models/ model_inference/

Facenet提供freeze_graph.py文件，我们将使用它来冻结推理模型。

$ cd ./facenet $ python3 src / freeze_graph.py model_inference / facenet_frozen.pb

生成冻结模型后，将其转换为.tflite文件

$ tflite_convert --output_file model_mobile/my_facenet.tflite --graph_def_file facenet_frozen.pb --input_arrays “input” --input_shapes “1,160,160,3” --output_arrays "embeddings" --output_format TFLITE — mean_values 128 --std_dev_values 128 --default_ranges_min 0 --default_ranges_max 6 --inference_type QUANTIZED_UINT8 --inference_input_type QUANTIZED_UINT8

我们已经将float32与quint8进行了比较，并将尺寸缩小了三倍。让我们检查量化的模型大小：

$ ls -l model_mobile/total 47232-rw-r — r — @ 1 milinddeore staff 23667888 Feb 25 13:39 my_facenet.tflite

要验证 .tflite模型性能，我们需要如下代码：

import numpy as npimport tensorflow as tf# Load TFLite model and allocate tensors.interpreter = tf.lite.Interpreter(model_path=”/Users/milinddeore/facenet/model_mobile/my_facenet.tflite”)interpreter.allocate_tensors()# Get input and output tensors.input_details = interpreter.get_input_details()output_details = interpreter.get_output_details()# Test model on random input data.input_shape = input_details[0][‘shape’]input_data = np.array(np.random.random_sample(input_shape), dtype=np.uint8)interpreter.set_tensor(input_details[0][‘index’], input_data)interpreter.invoke()output_data = interpreter.get_tensor(output_details[0][‘index’])print(‘INPUTS: ‘)print(input_details)print(‘OUTPUTS: ‘)print(output_details)

输出如下：

$ python inout.pyINPUTS:[{‘index’: 451, ‘shape’: array([ 1, 160, 160, 3], dtype=int32), ‘quantization’: (0.0078125, 128L), ‘name’: ‘input’, ‘dtype’: <type ‘numpy.uint8’>}]OUTPUTS:[{‘index’: 450, ‘shape’: array([ 1, 512], dtype=int32), ‘quantization’: (0.0235294122248888, 0L), ‘name’: ‘embeddings’, ‘dtype’: <type ‘numpy.uint8’>}]

看起来输出正如我们所期待的那样。这下，轮到你动手了。

尽管，Deepfakes就像是计算机病毒一样，只要有人找到了杀毒的方法，它就会变异成另一种更强大的病毒。它和侦破它的技术不停地捉迷藏、缠斗，就像一个巨大的GAN一样。但不管怎样，邪不压正，总是没错的。

真撕破脸，难看的总是作恶的那一方。

留言 点赞 关注

我们一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”

美女与野兽：这部动画片才真正引领了歌舞类型的文艺复兴

1991年深秋，迪士尼影业继1989年《小美人鱼》（The Little Mermaid）轰动全球、重新将濒临裁撤的迪士尼长篇动画部门推上巅峰的影坛奇迹，再接再厉，推出法国童话故事改编的《美女与野兽》（Beauty and the Beast）；原本《小美人鱼》的灵魂人物——词曲搭档亚伦·孟肯（Alan Menken）和霍华·艾许曼（Howard Ashman）在后者病故、40岁英年早逝的情况下，仍旧将其创意、野心和穷功细致、浑然天成的艺术手腕，布满全片各处，使《美女与野兽》的整部电影有了极佳的音乐、歌曲基底，它的词作、它在字里行间透露出的画意诗情，承先而启后，不但接续了美国经典音乐剧血脉相传的美学思想，更启发无数后辈创作者，《小美人鱼》的加勒比海风味、《美女与野兽》田园乡居与繁华夜都市的情调，加上“艾、孟二氏”已经着手进行、揉合中东色彩、百老汇姿态，以及赌城艳秀豪华笑闹气派格局的《阿拉丁》（Aladdin，1992）。加总起来，是一股无与伦比的力量，借由迪士尼、借由动画片，重新翻转沉寂了数十年的好莱坞歌舞类型电影。

1991年9月底，纽约影展选映了一部非常特别的作品——其实就是《美女与野兽》。时间比它原定在11月中下旬美国感恩节档期还早了一个多月，而且选映的是“特别版”，标注着“work in progress”，也就是“半成品”的意思。这套“半成品”的《美女与野兽》动画，以部份成图、部份铅笔稿的画面结构，透过完整声带（配音、配唱、音乐及效果等均已完工）衬着连戏，这部特别版的《美女与野兽》在纽约影展激起疯狂的好评。尤其观众一路看着铅笔底稿的流畅叙事推展到〈Be Our Guest〉的段落突然出现色彩瑰丽的完成图，还有美不胜收的主题曲共舞段落，一连串的彩画镜头突然切回成为铅笔及电子运算草稿，现场观众惊呼连连，自行“脑补”着如果电子运算完成、如果色彩定位之后，那段由大吊灯顶上俯看大厅、垂落滑开再扬起、拉抬到落地窗外耀眼星空的场面，会有多么震慑人心！

特别版的《美女与野兽》成功征服了全美最刁钻自负、最眼高于顶的纽约影展贵宾，11月正式首映后，果然叫好叫座，而且迅速累积声望，在很短时间内就成为1991年最受瞩目的作品之一，后来果然一举入围奥斯卡金像奖最佳影片，成为影史第一部入围奥斯卡最佳影片的动画长片。它的歌曲更是声势夺人，破天荒以三首入围的姿态：开场曲〈Belle〉、大型歌舞〈Be Our Guest〉，以及主题曲〈Beauty and the Beast〉，擒奖气势汹汹，最后在典礼上，三首歌曲套成组曲，〈Belle〉以百老汇歌舞剧的开场模式，带领观众进入那个神奇的童话世界，〈Be Our Guest〉有出色的场面调度和编舞安排，最后的主题曲，流行天王天后的演唱，交织进资深演员安琪拉·兰斯贝利（Angela Lansbury）的温暖咏叹，成为影迷心中永远难以磨灭的记忆。

?重现极致洛可可

这次全新的2017年真人版《美女与野兽》，早在四、五年前便开始筹备；三位新生代演员的卡司组合——艾玛·沃特森（Emma Watson）、丹·史蒂文斯（Dan Stevens）、卢克·伊万斯（Luke Evans）新鲜又亮眼，迪士尼又斥下重本，以超高额的资金打造整部新版重拍，《芝加哥》（Chicago，20021）的剧作改编、《梦幻女郎》（Dreamgirls，2006）的电影导演比尔·康顿（Bill Condon）确定掌舵，也拍板敲定新版电影仍然将以动画歌舞片为本源，保留所有歌曲，由真人演出一部歌舞片。

连串消息发出之后，关于《美女与野兽》的话题就再没断过。2015年电影拍竣，2016年开始释出预告短片，疯狂的点击率不仅让业界瞠目结舌，连出品的迪士尼公司也无法相信《美女与野兽》竟有如此强烈的市场潜力。然而，让笔者一再感到困惑不解的是《美女与野兽》最让人印象深刻的几段歌舞场面，迟迟未在接连而出的预告短片里看到，迪士尼反而一再主打流行演唱版的旧歌新歌，搭配溶进溶出、稍纵即逝的电影画面。曾经，笔者气得在社群媒体上大骂：“〈Be Our Guest〉、〈Gaston〉到哪去了？”、“野兽与美女共舞的主题曲到哪去了？”这次的新版制作有艾玛·汤普森（Emma Thompson）饰演的茶壶妈妈，有伊万·麦克格雷格（Ewan McGregor）饰演的烛台卢米埃，还有伊恩·麦克莱恩（Ian McKellen）饰演的时钟先生！这样的组合，影迷求之不得，怎会始终不见他们在预告影片中露面呢？

随着首映时间愈来愈近，笔者心里一凉——该不会电影其实拍得很难看吧？该不会因为电影本身不佳，因为〈Be Our Guest〉、主题曲等段落“见不得人”，所以只好拿这些流行歌段来搪塞？

但话说回来，整部电影的美术设计实在动人无比！不论是乡野的小村庄，是贝儿和父亲相依为命的小屋、村外的森林……一年四季永远飘着雪的野狼国度气氛远胜动画版本，神秘城堡的空间层次亦在写实、浪漫、魔幻玄想之间，取得了微妙的平衡。特别是诸多内景——洛可可风的细节点缀，蒙着朽烂尘布的吊灯、荒芜的大舞厅、残败的西厢房……在在让人眼界大开。光是这些设计的细节，本身就足以支撑一整部童话故事，特别是剧情发展到贝儿穿上黄色晚礼服，天花板上的玉叶金枝竟像舞蹈似地化为轻屑赍粉，徐徐舞落，宛如早期迪士尼动画《幻想曲》（Fantasia，1940）片中，随着柴可夫斯基乐声漫野狂飞的白雪精灵，丝丝缕缕，飘过厅堂，沾在贝儿的裙?，成为裙边的镂金缀绣。我们走进戏院观赏迪士尼电影，等的不就是这样一个“美梦成真”的时刻吗？或许故事里的书呆子贝儿会因为野兽让她自由取阅整座图书馆里的藏书而开怀畅笑，但这丝丝缕缕的金绣，却是真正扣合《美女与野兽》女主人翁贝儿在对书本、知识、自由的向往之外，那一层朦胧暧昧、情窦初开的期待，一种“连剧中人自己都不知道”，却被观众完全看在眼里的恬然。

关于表演的一些讨论

坦白说，看完2017年新版《美女与野兽》，笔者“意料之中”地没有被感动。特别在几个月的宣传期中，等不到重点歌舞、而从其他的蛛丝蚂迹里，“猜”到一些“颇为不妙”的景况，真正走进电影院，看到那些个“不妙”真正发生在银幕上……一点也没有豁然开朗的感觉，真要说失望，笔者对音乐部门极度失望，对导演和编舞部门极度失望，对剧本因为没有期待，反而看过也就算了。美术极优、服装尚可，摄影则不佳，构图平庸、流动性与稳定度都有所欠缺。

两个“失望”的部门，我们留在后面再谈，此处想先讨论的则是整部电影的“表演。

进入21世纪，歌舞片似乎已经重回世人的关注焦点，对于当代观众，“由演员本身亲自演唱片中歌曲”也已成为不必争辩的“必须项目”。然而有愈来愈多的电影明星，试图用自己薄弱的气息与吹弹可破的嗓音，在没有经过好好训练的前提之下，冒然踏进歌舞电影里的歌唱领域。其中能像艾玛·斯通（Emma Stone）、瑞恩·高斯林（Ryan Gosling）凭着本身的强大明星魅力，将气息不足的闷哼幻化成为角色的一部份，掌握住歌词深意与乐句的形状，迷倒全球观众——这样的例子，其实屈指可数。出身剧坛的安妮·海瑟薇（Anne Hathaway）、休·杰克曼 （Hugh Jackman）、帕特里克·威尔森（Patrick Wilson）等几位，能唱能演，他们尤其会运用自己的声音表演，将歌声、歌词、乐句、旋律和节奏，灵活运用，使之成为角色的一部份，成为角色内在世界的深掘与延伸。电影明星方面，杰克·吉伦哈尔（Jake Gyllenhaal）几年前技惊纽约剧坛，全城上下无不到处打听——到底他的声乐老师是谁！他连续几次以超高难度的音乐剧作品，征服百老汇的观众，我们也非常期待他能在电影银幕上开金口、亮金嗓。

《哈利波特》系列片集的丹尼尔·雷德克里夫（Daniel Radcliffe）在卸任以后，选了一条没有人敢走的路——他把自己丢进纽约舞台，在百老汇扛鼎领衔，主演大型经典歌舞剧《一步登天》（How to Succeed in Business without Really Trying）。虽然评价褒贬互见，但他的努力以及他掌握自己声带状况、肢体律动的稳定度，使很多人对这位年轻演员彻底刮目相看。更有甚者，他知道自己的群众魅力，于是立下心愿，要尽可能带领他的迷弟迷妹们踏入经典百老汇的世界，要尽可能把黄金年代的不朽作品，介绍给这群90后、00后的青年朋友。

这次《美女与野兽》的艾玛·沃特森则是带着联合国荣誉特使的光环，以及她“21世纪新女性主义”的鲜明形象，走进迪士尼公主梦幻。在电影里，原本或许能因这样的巨大对比擦出火花，但不知是因为导演没有细细琢磨，或者因为演员本身能力有限，整个开场戏总让人感觉是一个21世纪的现代小女生，被安排穿上贝儿的蓝裙，闯进了迪士尼乐园的米奇大街，一边逛、一边唱，一边心里还嘀咕着“这歌怎么那么慢”……

重看《哈利波特》片集，笔者发现几位年轻演员（或许因为缺乏扎实的表演训练，但又是经过重重筛选、气质逼人、拥有特定才华的表演者）有着共同的特性，他们往往愈弱则弱，愈强则强。在需要面对CGI合成角色的空镜里，他们常常眼神空洞而动作过大过激，但当他们与老戏骨如玛吉·史密斯（Maggie Smith）、艾美达·斯丹顿（Imelda Staunton）、加里·奥德曼（Gary Oldman）、大卫·休里斯（David Thewlis）等等对起戏来，又活脱脱是从书里走出来的鲜明人物，那份深刻的存在感，难以言喻。

对艾玛·沃特森来说，《美女与野兽》的开场无疑是场大失败。但随后她与饰演父亲的凯文·克莱因（Kevin Klein）一对上戏，那份父女情深的温柔就款款而生，还有她跟饰演野兽的丹·史蒂文斯也有几次颇值得回味的互动；但最可惜的还是她在赋予这个角色“21世纪少女新解”的同时，没能在导演或同侪演员的引导下，完成这个少女“爱做梦”的引伸和发扬，也因此导致这个角色都已经站在晚霞俯吻着的山岗顶上了，她的歌声、她的思想、她“心较比干多一窍”的灵气，就是没能展翅飞腾！

说到丹·史蒂文斯，真是要为他痛心疾首高呼一声“可惜”！在新生代演员里，他是难得的古典小生人材。不但在电视荧幕上表现可圈可点，就连登上百老汇舞台演话剧，都有模有样，曾经跟杰西卡·查斯坦（Jessica Chastain）同台飙戏，颇受好评。然而此次在《美女与野兽》里，他的存在只剩下包裹在CGI动画杂毛里的眼睛，整个角色的表演——肢体的部份，被过于巨大的野兽身躯和服装造型给削弱，面部的细微悸动，则毁于演技不及格的动画师与动画技术之手。

说也奇怪，现在的观众宁可看这样的混血表演，却无法接受歌喉未臻理想的表演者，透过幕后代唱，或部份代唱、重新混音的方式（业界谓之为『sweeten the voice』），组构剧中人物的声音。由是，艾玛·沃特森在不明白如何运用歌声传达戏剧目的之前提下，以哼唱、K歌的方式，“哼”出她的开场曲、她在山野咏叹着的人生目标，也“哼”出她和野兽之间的情愫渐生；另一方面，丹·史蒂文斯的角色塑造，透过电子感应、透过层层胶模与化妆品、再透过动画技术，打了不知几折之后，被投射、放大在巨幅银幕之上。我们看的，就是这样的“美女”，这样的“野兽”。

更有甚者，能歌、能演的伊万·麦克格雷格、艾玛·汤普森等，温暖有致的表演也被贬摘、矮化成毫无面部表情、毫无活生生肢体律动的CGI角色，呆板生硬，华而不实，只剩他们的声音，还能让人追怀、“脑补”一下这些知名演员可能带来的卓越表演。

卢克·伊万斯的反派角色，虽然在新扩增的剧本里大幅减低了既有的诙谐、调皮，以及翻脸不认人的残暴潜质，总体来说，由他演来还算是称职适当。真正让人扼腕、让人嗤之以鼻的则是衣橱夫人和加斯顿的跟班来福这两个角色；他们分别由走红于百老汇舞台的奥黛莉·麦唐纳（Audra McDonald）与乔什·盖德（Josh Gad）出饰。前者出道约莫25年，前后累积了5座东尼奖最佳女演员（包括话剧类、音乐剧类，包括主角、配角）的荣衔，原本是一位响叮当的人物，可惜近10年来，她习惯性的过度作态、过度扭绕自己的声带，使得她给出的角色塑造和诠释总显得既脏且油，腻不可当，此次的衣橱夫人更是有过之而无不及！

乔什·盖德饰演的来福一角，意外地成为此次新版电影争议的来源。导演几次公开表示，这次的来福将是迪士尼电影里首次正面描绘男同志角色云云，甚至，这样的诠释引来马来西亚电检制度出手，最后迪士尼方面拒绝修剪成片，宁可撤档，不让本片在马国公映。然而细看成品，来福的同志情愫——那根本不叫情愫！而是肮脏低劣的情色笑料，既无趣又无聊！少了他对主人加斯顿的“激烈仰慕”，整体叙事可能更能顺畅推进，酒馆里的〈Gaston〉歌舞也不会如此荒腔杂沓，莫名其妙。就算导演比尔·康顿坚持要当迪士尼影史第一人，让来福笨拙地侍奉、讨好加斯顿，维持“可爱、淘气”的整体基调，仍然可以保有隐隐存在，甚至昭然若揭的同志伏线，现在的处理，徒然将全片格调往下拉了一大层。

很难想像！奥黛莉·麦唐纳和乔什·盖德竟然是整部电影里表演最肮脏、角色诠释最不堪入目的两位。结尾大团圆的舞蹈场面，导演为他所至爱的同志来福预留美好的未来，倒也还未伤大局，硬要把主题曲的再现重唱交给百老汇天后、衣橱夫人奥黛莉·麦唐纳表演，已经让故事走向和角色分配丧失重心（假如衣橱夫人这么能『唱』，为何共舞场景还是茶壶妈妈开嗓？难到只因原版动画是这么演的吗？），编导还加写了一段歌词，让变身成人的茶壶妈妈穿梭宾客之间，吟着咏着，一副正宫娘娘的派头。到最后的最后，《美女与野兽》的电影居然不是收束在舞会大远景，或满园玫瑰盛放，而是收束在奥黛莉·麦唐纳的衣厨夫人一曲唱罢，满意微笑的中景特写！

这真的是我们心目中的《美女与野兽》吗？

回顾“好莱坞歌舞片十年文艺复兴”

1970年代和1980年代，好莱坞基本上已经不把“歌舞片”当成主要类型在思考、研究、推广。摇滚乐电影就是摇滚乐电影，歌星传记片就是歌星传记片，百老汇改编就是百老汇改编。时代不同、社会氛围不同、音乐曲风不同、语言不同、整体电影工业、电影类型所呈现出来的sensibility也大相庭迳。

迪士尼公司自米老鼠问世之初，就与电影音乐、音乐电影密不可分。早期“胡闹交响乐团”（Silly Symphonies）短片时期，迪士尼就已经在“三只小猪”短片里唱出〈谁怕大坏狼〉（Who’s Afraid of the Big Bad Wolf），后来的“老磨坊”短片，更是一字不唱，纯粹用音乐、声效，搭配画面，把以老磨坊为家的整个社群，在一夜之间的成长，精采呈现出来。

随着长片时代的到来，《白雪公主》（Snow White and the Seven Dwarfs，1937）、《木偶奇遇记》（Pinocchio，1940）这两部打头阵的经典，每部动画长片的音乐都是与时具进的声音，直到1980年代，迪士尼的动画部门早已跌入谷底，片厂预备将之裁撤。年轻作曲家亚伦·孟肯和他的创作搭档霍华·艾许曼则把源自百老汇音乐剧场最精巧、最细腻、化雕工于无形的叙事及抒情技巧，整合剧本、歌曲、音乐、画面及人物调度，成就了《小美人鱼》，拯救了迪士尼动画，更掀起歌舞电影类型的文艺复兴狂潮，延烧近10年，一度还挑战真人实演的大型歌舞领域，可惜电影《报童传奇》（Newsies，1992）垮台，这个“歌舞电影”的“文艺复兴运动”，便以动画长片为主要耕耘场所，一部接一部，开拓了全新世代的观赏及创作视野。这个“文艺复兴”的最巅峰大概落在1997年福斯影业的《真假公主（安娜塔西亚）》（Anastasia），而次年（1998）迪士尼自家的《花木兰》（Mulan）音乐水准一落千丈，再到《泰山》（Tarzan，1999），整个“文艺复兴”告终，进入另一个不同的纪元、不同的时代敏感度、不同的艺术与不同的流行风潮。

影史第一的主题歌曲

话题拉回在这场“歌舞片文艺复兴”中，占有极重要地位的《美女与野兽》。它是整个浪潮的第二部作品，《小美人鱼》的成功，有太多孤注一掷的赌注、挑战和运气，到了第二部作品的《美女与野兽》，创作团队是在稳扎稳打的基础之上，改良、突破动画技术，优化、深化早已臻至完美的音乐部门。

以它的主题曲为例，每句唱词都是五个音节，宛如一首五言诗的绝唱，更全片的整体美感推上极致。这等笔力，几乎空前！对笔者来说，这首〈美女与野兽〉，连同1939年问世《绿野仙踪》（The Wizard of Oz）片中的〈彩虹之巅〉（Over the Rainbow），足堪并列为美国影史最佳歌曲第一名。

Ever just the same.

坦然不移

Ever a surprise.

粲然惊喜

Ever as before,

泰然恒久

Ever just as sure

卓然确信

As the sun will rise.

如旭日初升起

典雅又朴素的唱词，简单、温暖又力道连緜的旋律乐句，构成这首歌曲的魔力。1991年动画版原主唱者安琪拉·兰斯贝利，更是一等一演技派的天后，纵横舞台、电视、电影几十年，她在声音里灌注了许多儿时的记忆，使歌声承载着每位观者在成长过程中，曾经拥有的那位最能激起孺慕之情的大姨妈；她一开口，大地之母的音响就随着她的歌声共震共鸣。直到2016年纽约影展的特别晚会，在事隔四分之一个世纪之后，作曲家孟肯弹起钢琴，年过九旬的安琪拉·兰斯贝利现身影展会场，轻轻开口：“Tale as old as time”，全场千余名观众立刻垂下眼泪。

原来这就是亘古，就是永恒。

在2017年的新版电影里，美女与野兽的共舞场面视觉设计极美；虽然少了歌词与剧中人物隐隐互动（比如『Just a little change』一句，正好对上野兽学会以兽爪使用小汤匙的画面，再比如两人共舞是贝儿主动邀请，引导行动笨拙的野兽在大厅翩翩起舞），至少在光线、色彩、场面调度和镜头语言的整体结合，是顺眼而流畅的。

可怕的是音乐。

不知此次的音乐部门到底有何盘算，原曲〈美女与野兽〉是节奏明朗的行进步伐，一拍一拍，清清楚楚；作为歌曲，它保有民谣似的传唱特质，作为舞曲，它也适合舞者移动身躯。然而在新版里，前段和煦的叙事部份，过甜过腻的弦乐部门打扰了歌曲娓娓道来的魅力，仿佛编曲者不肯相信孟艾二氏的原典有多强大的戏剧张力和感人效果，非得要用饱满的弦乐拉弓填满乐句与乐句之间的所有空隙，以致歌曲在推进时，始终未能清清楚楚地向前流动，艾玛·汤普森唱出的乐句，每句都将节奏拉慢了一点点，每句多拖滞了一点点音乐的行进动力。

这个小缺点到了歌曲的中段，立刻成为“惨剧”。大而无当的弦乐编制开始在每个乐句渐慢又加快，穷极煽情之能事，我们不但听不见明确的句子，更感受不到这首五言小诗朴素真切的美好。这里慢一点，那里赶两下，这里又慢一点，那里又快一点，贝儿和野兽这只舞要怎么跳得起来？舞和歌，情绪和音乐，配器编曲和唱词意境完全搭不在一起，这样的〈美女与野兽〉歌曲存在在电影里，也难怪先前大半年的宣传期，连半秒钟都不敢拿出来见人呢！

“Be Our Guest”的歌舞层次

和〈美女与野兽〉主题曲一样令人不忍卒睹的，是曾经艳惊全球的〈Be Our Guest〉歌舞场面。1991年的动画原典，由资深演员杰利·奥巴克（Jerry Orbach）为烛台卢米埃幕后献声。说起奥巴克，那可真是大有来头！1950年代中期，他在当时刚刚萌芽的所谓“外百老汇”剧场圈发迹，参演划时代的《三便士歌剧》（Three Penny Opera）制作走红，接着在1960年同样于外百老汇，亲手塑造了戏剧史上演期最久的音乐剧《异想天开》（The Fantasticks）男主角埃尔·加约（El Gallo）一角，开场曲〈Try to Remember〉传唱至今，娓娓道出人世间最真最醇的伤痛与美好。后来在原版制作的《芝加哥》里，他是百老汇首演的律师，走进电视荧屏，他也是《Law and Order》万年长青的班底。

奥巴克极擅声音模仿，烛台的角色在设计之初，便参考知名法国老牌红星莫里·雪佛利叶（Maurice Chevalier），包括他的外型、他的银幕形象、他的老派法国风流绅士的永恒魅力。奥巴克在配音时也把莫里·雪佛利叶的声音特色、口条腔调赋予在角色里，加总起来的角色塑造，简直无与伦比！

〈Be Our Guest〉是全片最重点的大型歌舞。故事演到贝儿受囚城堡，夜半来到厨房觅食，仆人们兴奋不已，卢米埃擅自作主，决定以歌舞欢迎贝儿的到来。在典型法式的小手风琴助兴下，奥巴克借由雪佛利叶的口吻，颂咏着欢迎词，歌曲伊始，音乐小小的，气氛轻松的，男士们的踢踏鞋踩着整齐的步伐，背景衬着风琴的旋律，接着，碗橱一开，彩色斑斓的玻璃光彩，引出旋转的磁盘和舞动的银叉，叠成铁塔，灯光一照，整张餐桌顿时成为红磨坊的歌场。它亲密、紧致，它窄而小、温而满，一道菜一道菜送至贝儿眼前，进行曲似的合唱，将场面带到水果酒盅旁，成队的银匙身披餐巾，像巴士比·伯克利（Busby Berkeley）镜头下的万花筒女郎一样，排出一幅一幅《出水芙蓉》（Bathing Beauty，1944）的花式游泳队型。歌曲急转直下，厚重的男声齐唱，配上吐着泡沫的啤酒杯群，我们立刻由红磨坊转场来到中欧情调的啤酒花园，酒杯酒壶们跳着土里土气却亲切无比的排排舞。

中段，卢米埃唱出“Life is so unnerving for a servant who’s not serving…”的警句，然后场面一转，我们来到厨房，茶壶妈妈严格监督着一切，就连自己身上的尘点都要蒸汽炉替她清得干干净净。回到主餐厅，鸡毛掸子姑娘们以康康舞群的丰姿，撩起她们的羽毛大裙?，一路朝向镜头舞来，接着是成排的杯子，成排的盘子，杯子，盘子，杯子，盘子，堆满银幕，然后两排蜡烛由垂腰俯首一一起身，镜头一路向前推至“舞台”深处，高台上站着卢米埃，拿着火柴作手杖、金色烛灭盖是他的金色高礼帽，带着全体歌者舞者跳起慢板大四拍的cakewalk，一步一顿，一步一顿，满台歌舞在此刻摇身成为莫里·雪佛利叶最具代表的巴黎“百美宫”“Folies Bergère”夜总会，歌正热，舞正酣，天上垂降金色大吊灯，每一层水晶珠串上都有载歌载舞的餐具，巴黎“百美宫”Folies Bergère再变成纽约百老汇的齐格飞“富丽诗”（Ziegfeld Follies），将整场戏推上最高峰，画下漂亮的句点！

2017年新版的〈Be Our Guest〉，没有层次。没有“致敬”。没有红磨坊、没有百美宫、没有齐格飞富丽诗，没有从微小到盛大隆重的渐层渐强，没有对比，更没有结构。堆砌在银幕上的只是长达三、四分钟的浑沌不明，它既像印度主题的赌城歌舞，又像不知所云的劣等综艺。创意之贫瘠、执行之拙劣，简直让人不可逼视，完全浪费了美不胜收的城堡美术设计，糟踏了伊万·麦克格雷格这位好演员，伊恩·麦克莱恩也成为活动道具，包着莫名的头巾现身餐秀之中，让人不知这究竟是活体寿司，还是人手不足的dinner theatre。

巨大的票房收益

2017年的重拍版《美女与野兽》，在一片骂声、哀号连连的状况下，当着料峭春寒杀出影史佳绩。仅北美一地，首映周末票房收益便高达一亿七千万美元，写下诸多全新纪录，并赢得包括所谓的『史上首周票房最强大歌舞片』之类的头衔。说它“一片骂声，哀号连连”其实也有些过份，毕竟包括《纽约时报》在内的几个主流媒体，仍旧给了它甚佳的评价，而且《纽约时报》还为它打了勾勾，将之选为“编辑特推”作品之一。

优劣的争议、同志情节的辩论、艾玛·沃特森到底会不会唱歌的争议，在《美女与野兽》前，都不再是争议了。这次2017年的新版重拍，极其明显地就是依附在原典的福祐庇荫之下，以当代的流行明星、搭配当代所认定的经典老牌，组合成一个“此时、此地、此刻”的“新版”。10年、20年、30年后，大家会怀念的，依然还是1991年的动画原典，2017年的新作，由于缺少内建的“经典”DNA，自然而然地，便会驯化成为影史洪流里的另一部“同场加映”。

能赶上这样一部的作品，其实是幸运的。花落春犹在，曲尽意无穷；它的出现，提醒了我们整个世代的观众，在1991年曾经有另一部《美女与野兽》的存在，那是部动画电影，用的是那个年代最先进的科技，它集合了那个年代最精采的一群创作者，由声音表演、乐韵铺陈、画面组构，到整个时代的集体氛围，种种的种种，一切的一切，都是让人不禁神往的影史传奇。

纽约大学艺术学院（Tisch School of Arts）电影研究所（Cinema Studies）毕业。专长为歌舞电影与剧场艺术、有声电影发展、华语电影发展史及李翰祥导演作品研究。