藏在机器嗓音里的赛车场：我们离完美的AI之声还有多远？|南宫NG28官网

本文摘要：人类与AI的对话频率，正在转入一个前所未有的大爆炸时代。

人类与AI的对话频率，正在转入一个前所未有的大爆炸时代。无论是智能手机里的语音助手、有卖有送来的智能音箱，还是千娇百媚的智能机器人或者地图导航系统，总有一款声音萌动你心。这些生活中随处可见的声线，背后只不过都是靠一项核心技术来承托的：语音合成TTS（Text－To－Speech），将要文字转化成为声音。在一般情况下TTS并不受到普遍注目。

很多智能语音涉及产品的发布会上，它甚至会闲置多达一页PPT的篇幅。但实质上，TTS对于整个AI语音交互的体验启动时，起着了决定性的起到：用户听见什么声音，直接影响到AI在他心中的“三次元化”形象。比如我一个朋友就是因为志玲姐姐嗲嗲的配音，沦为了地图导航系统的忠实粉。

而在经典的AI电影《Her》里，人工智能系统OS1就享有斯嘉丽约翰逊的迷人声线，让男主人公为之灌入，一段人与AI的BDSM早已进行。语音合成，为机器流经了一种人格化的魅力，也让人类更加不愿与之创建亲密关系。这也意味著，在商业价值都要靠黏住用户来构建的当下，TTS能力将沦为各个语音场景胜败的命脉。尽管企业对TTS的市场需求是如此急迫，但从学术到产业应用于之间，TTS仍然不存在着大片的技术空白。

相似的技术原理和前沿算法探寻之后，每家公司的解决方案、解决问题能力都千差万别。二者变换之下，造成TTS变为了一个极大的赛场。本文期望剖析这个并不为大众熟悉的赛道，投影一下是什么要求了机器如何说出，要求了用户耳朵的体验与舒适度，又有哪些玩家凭借TTS锁上了智能语音的富矿。那场公里／小时的开朗：让机器听得上去像人，是AI公司的首要跳跃方向最近，网上风行起了一种新的无厘头玩法：扮演着机器。

比如，用百度翻译成的语音包在跟游戏中的队友说出，浓厚的机械味害怕是不会被队友不禁一枪爆头。与此同时，一个娘化的AI形象“萌爱人”也很快窜红，被粉丝们平易近人地称作“爱酱”。它具有少女一样的形象，需要像人类一样交流，言语之间还不会偶尔流露出作为AI的志得意满。

对过度机械的语音无情嘲讽，为高度人性化的语音可怕打call，可以说道是普通人对TTS的上限与下限尤为必要的反应了。借此不难看出，TTS的核心赛道，就在于如何让机器的声音听得上去韵律大自然、情感丰沛。说白了，就是如何在机器声音中流经人性。

这个听得一起很模糊不清的市场需求，现实中不能通过TTS多个技术层次的逐步通关来构建。综合整个流程来看，目前有两方面的工作是AI公司希望的核心方向：用心的语料库，正在沦为TTS发动机如何用较少的语料制备更加大自然的高质量语音，有可能是未来TTS的技术攻坚方向。目前显然，更加有情感表现力和精准韵律的声音，一定是通过可观精准的语料库必要拼凑产生的。

这背后隐蔽的，是AI公司正在较量建构语料库的投放成本与产品精神。比如苹果就找来了专业配音员苏珊·贝内特（SusanBennett）为Siri录音完整语料，而微软公司小娜Cortana的声音则来自演员珍·泰勒（JenTaylor），曾为《光晕》游戏中的角色Cortana配音。国内，高德则邀了林志玲、郭德纲、TFBOYS、罗永浩、黄晓明、高晓松等众多流量担任来录音导航系统语音包在。

而为小米音箱、喜马拉雅音箱、美的音箱等智能硬件获取服务的AI女声“小雅”，则是猎户星空从300个女声中投票海选出来的。为了能让“小雅”更加简洁大自然地展开中英文混合说道，猎户专门去找了一个和中文声源发音很像的女孩子来录音英语语料包在。从大量发音人的挑选出，语料的精心抛光，以及对用户场景的深度兼容，好的TTS前端数据处理能力，是2020-03-30 区分这个细分领域产业地位的核心。用算法探寻“听得着难受”的边界解决问题了基础音源和可观语料库还远远不够。

2020-03-30 的TTS领域，广泛前进方向是基于相近的模型，在细节上带给TTS效果优化。这个领域包含了AI技术公司在TTS上的算法优势，百度、微软公司等都在重磅押注。

非常简单来说，就是通过系统对输出的文本展开分析，取得制备语音的基本单元信息，从标示好的语音库中挑选出合适的语音单元，根据市场需求展开一定的改动和调整后，经过波形拼凑的方式取得制备的语音。目前，DeepMind近期的深度分解模型WaveNet，转变了传统的拼凑法，而是自由选择必要对音频信号的完整波形展开建模，一次处置一个样本，来生产量更加大自然的声音。

目前，WaveNet早已需要仿真任何人类的语音，并且将机器语音合成的展现出与人类之间水平的差距最少削减了50％。中国这边，百度正在研究用讲话人编码（speakerencoding）技术来展开大自然语音的分解。非常简单来说，讲话人编码器早已学会了把有所不同人说道的话分别聚类，更佳地仿效讲话人的声音特点。

比如，机器能从口音辨别出有，讲话者是一个来自北美的男性还是来自英国的男性，从而更加细致地还原成出有原音。猎豹则是通过更加多层级的标示体系，来展开语音特征单元的萃取。目前可以从声韵母层、音节层、词层、韵律词层、短语层和语句层等6个层级，让制备后的语音在上下文韵律信息及准确度上更为完备，听得一起也就更加合乎真人的发音习惯。

总而言之，好的TTS算法，于是以沦为如今区分语音合成领域产业地位的核心。训练成本之争：AI界的另一个方法，是让机器用你的声音开口TTS的另一个赛道，是如何让机器低成本地自学用户的声音。

让更加多的明星，甚至普通人的声音都可以在终端设备中苏醒，这个技术能力具备普遍的市场想象力。但是，使用明星的声音，往往必须大量语料的载入和拼凑。

载入时间过长不说道，还必须在专业指导下已完成。合作的明星要录音几千句，时间跨度以致于1－2个月，斥资高昂。即便如此着急，也无法覆盖面积全部细分应用领域。在某些交会处，往往不会经常出现机械重新组合的生涩感觉。

不但妨碍了明星声音转入一般化设备场景，更加让普通人对载入自己的声音望而却步。所以如何减少训练成本，用较少的语料达成协议声音自学和语音分解，是这条赛道的关键。最近，百度就公布了自己在语音合成方面的近期成果，可以通过“语音克隆”仿效数千个有所不同的声音，每个说出者只必须将近一个半小时就能已完成数据训练。

核心方法是讲话人兼容（speakeradaptation），用于数个语音克隆样本，让机器从几秒长度的短句中自学说出者的声音特点，然后通过偏移传播的优化方法对多讲话人语音分解模型做到细致调节（fine－tune）。讲话人只需获取少量的语料，余下的语音拷贝所需的素材都可以通过克隆来已完成。猎豹移动的猎户星空语音OS，用户花费20分钟录音10段话，系统就能自动用2个星期制备一个覆盖面积常用领域的语音包在，并且音色大自然。非常简单来说，是用深度自学TTS模型TACOTRON，将文本分析、声学模型、音频制备等模块展开大语料库的包训练，以这样的语音库作为基础模型，就可以在10句话中萃取出有发音人的语音特征，然后通过声码器制备出有音色完全相同的语音。

总结一下，目前TSS领域的现状是，传统的语料对数据的拒绝过于大，往往必须消耗大量人力物力，短期内根本无法被大规模拷贝。但个性化语音背后隐蔽的，又是一个可观的交互市场需求。一旦音源收集成本需要大大降低，普通人也可以精彩分解羞属于自己的个性化语音包在。比如说一下，如果一个聊天机器人具备了真人的语气、生动的传达，是不是能训练出有一个很高仿的AI？它可以是一位好久不见的朋友、一个不会讲故事的妈妈，或者是一位将要消逝的亲人最后的剪影。

这个技术的“处女地”一旦被撬动，很多智能语音软硬件体验上的后遗症都将迎刃而解。因此，创建在数据与算法优势上的少语料分析能力，也沦为TTS赛场上最重要的急弯技巧，只把少数企业推上更加辽阔的市场。工程化与商业入口：TTS的产业地缘争夺战说道了这么多不难看出，TTS是一项“可辣可盐”的技术。

它看起来不存在感觉很低，却让许多车站在金字塔顶端的高科技企业习碎了心；要用最前沿的技术矩阵才能攻下，最后还是要到现实荒谬的人间烟火中千锤百炼。而它的终极目标，还是通过智能设备与生活场景相联接，创建服务市场。所以一场环绕TTS的争夺战，某种程度是技术竞速。最重要的竞争指标，是企业的工程化已完成能力与市场信赖度。

比如说，如果某些新技术只逗留在实验室阶段，放在现实的音箱、电视产品上显然不是那么回事儿，或者说优化程度很受限，不但合作伙伴要腹锅，“狼来了”听多了，消费者的热情也不会被消耗只剩。目前百度和科大讯飞在国内难解难分，微软公司凭借具备号召力的技术表现力占到得一席之地，谷歌则是远在天边的“技术明灯”。但普通人能在哪里中用它们，还感叹个谜。

轻技术突破而重应用于、重市场，难道是当前TTS升级阶段的主要矛盾。这也许也显露出了TTS目前最急需的，不是“居于庙堂之低”，反而应当将技术突破尽早抛掷于现实，与用户共舞，与产业调教。从大环境来看，TTS的应用于场景非常丰富。

上下班、购物、娱乐、育儿、智能手机等等等等，都是需要大显身手的地方。用户的冷静也还在培育期，体验不尽如人意，也只不会被友好的嘲讽一下。一些技术厂商之所以无法跑完合这条康庄大道，一方面是产业沉降能力，习惯了在技术上九天揽月，对工程化产品缺少冷静精细的抛光；另一方面是大众理解断层，在消费层面缺少有力的品牌反对和心智确保，经常出现了“热卖不卖座”的局面。

TTS的应用于价值，要求了它是一个十分泛在的通用型技术，但并不是所有AI企业都能凭借TTS在绿AI交互市场顺利“不吃鸡”，它考验的是企业无短板的综合能力。目前显然，想享有不失望的TTS，从实验室到产业，还必须长年的应用于突破和商业递归，才能步入确实的黎明。

本文来源：南宫NG28官网-www.gktechniek.com