起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識藏在機器嗓音里的賽車場：我們離完美的AI之聲還有多遠？
隨著人類與AI的對話頻率不斷上升，AI技術中將文字轉化為聲音的技術TTS（ Text-To-Speech）的進化也日益提上日程。
人類與AI的對話頻率，正在進入一個前所未有的大爆炸時代。
無論是智能手機里的語音助手、有買有送的智能音箱，還是千嬌百媚的智能機器人或者地圖導航，總有一款聲音萌動你心。
這些生活中隨處可見的聲線，背后其實都是靠一項核心技術來支撐的：語音合成TTS（ Text-To-Speech），即將文字轉化為聲音。
在一般情況下TTS并不受到廣泛關注，很多智能語音相關產品的發布會上，它甚至不會占用超過一頁PPT的篇幅。但實際上，TTS對于整個AI語音交互的體驗觸發，起到了決定性的作用：用戶聽到什么聲音，直接影響到AI在他心中的“三次元化”形象。
比如我一個朋友就是因為志玲姐姐嗲嗲的配音，成為了地圖導航的死忠粉。而在經典的AI電影《Her》里，人工智能系統OS1就擁有斯嘉麗約翰遜的迷人聲線，讓男主人公為之傾倒，一段人與AI的虐戀就此展開。
語音合成，為機器注入了一種人格化的魅力，也讓人類更愿意與之建立親密關系。這也意味著：在商業價值都要靠黏住用戶來實現的當下，TTS能力將成為各個語音場景輸贏的命脈。
盡管企業對TTS的需求是如此迫切，但從學術到產業應用之間，TTS依然存在著大片的技術空白。相近的技術原理和前沿算法探索之后，每家公司的解決方案、解決能力都千差萬別。二者疊加之下，導致TTS變成了一個巨大的賽場。
本文希望剖析這個并不為大眾熟知的賽道，透視一下是什么決定了機器如何說話，決定了用戶耳朵的體驗與舒適度，又有哪些玩家憑借TTS撬開了智能語音的富礦。
前言：讓機器聽上去像人，是AI公司的首要奔跑方向
最近，網上流行起了一種新的搞笑玩法：扮演機器。
比如：用百度翻譯的語音包跟游戲中的隊友說話，濃烈的機械味怕是會被隊友忍不住一槍爆頭。
與此同時，一個娘化的AI形象“絆愛”也迅速走紅，被粉絲們親切地稱為“愛醬”。它有著少女一樣的形象，能夠像人類一樣交流，言語之間還會時不時流露出作為AI的志得意滿。
對過度機械的語音無情調侃，為高度人性化的語音瘋狂打call，可以說是普通人對TTS的下限與上限最為直接的反應了。
從中不難看出，TTS的核心賽道，就在于如何讓機器的聲音聽上去韻律自然、情感充沛。說白了，就是如何在機器聲音中注入人性。
這個聽起來很模糊的需求，現實中只能通過TTS多個技術層次的逐步通關來實現。
綜合整個流程來看，目前有兩方面的工作是AI公司努力的核心方向：
一、用心的語料庫，正在成為TTS發動機
如何用更少的語料合成更自然的高質量語音，可能是未來TTS的技術攻堅方向。
目前看來：更有情感表現力和精準韻律的聲音，一定是通過龐大精準的語料庫直接拼接產生的。
這背后隱藏的，是AI公司正在比拼構建語料庫的投入成本與產品精神。
比如蘋果就請來了專業配音員蘇珊·貝內特(Susan Bennett)為Siri錄制原始語料，而微軟小娜Cortana的聲音則來自演員簡·泰勒(Jen Taylor)，曾為《光暈》游戲中的角色Cortana配音。
國內，高德則邀請了林志玲、郭德綱、TFBOYS、羅永浩、黃曉明、高曉松等眾多流量擔當來錄制導航語音包。
而為小米音箱、喜馬拉雅音箱、美的音箱等智能硬件提供服務的AI女聲，則是獵戶星空從300個女聲中投票海選出來的。為了能讓AI聲音更為流暢自然地進行中英文混說，獵戶星空專門找了一個和中文聲源發音很像的女孩子來錄制英語語料包。
從大量發音人的挑選，語料的精心打磨，以及對用戶場景的深度適配，好的TTS前端數據處理能力，是今天區分這個細分領域產業地位的核心。
二、用算法探索“聽著舒服”的邊界
解決了基礎音源和龐大語料庫還遠遠不夠。今天的TTS領域，普遍前進方向是基于相似的模型，在細節上帶來TTS效果優化。
這個領域構成了AI技術公司在TTS上的算法優勢，百度、微軟等都在重磅押注。
簡單來說，就是通過系統對輸入的文本進行分析，獲得合成語音的基本單元信息，從標注好的語音庫中挑選出最合適的語音單元，根據需求進行一定的修改和調整后，經過波形拼接的方式獲得合成的語音。
目前，DeepMind 最新的深度生成模型 WaveNet ，改變了傳統的拼接法，而是選擇直接對音頻信號的原始波形進行建模，一次處理一個樣本，來產出更為自然的聲音。
目前，WaveNet已經能夠模擬任何人類的語音，并且將機器語音合成的表現與人類之間水平的差距至少縮減了 50%。
中國這邊，百度正在研究用講話人編碼（speaker encoding）技術來進行自然語音的生成。
簡單來說：講話人編碼器已經學會了把不同人說的話分別聚類，更好地模仿講話人的聲音特點。比如，機器能從口音判斷出，講話者是一個來自北美的男性還是來自英國的男性，從而更逼真地還原出原音。
獵戶星空則是通過更多層級的標注體系，來進行語音特征單元的提取。
目前可以從聲韻母層、音節層、詞層、韻律詞層、短語層和語句層6個層級，讓合成后的語音在上下文韻律信息及準確度上更加完善，聽起來也就更符合真人的發音習慣。
總而言之：好的TTS算法，正成為如今區分語音合成領域產業地位的核心。
三、訓練成本之爭：AI界的另一個方法，是讓機器用你的聲音開口
TTS的另一個賽道，是如何讓機器低成本地學習用戶的聲音。
讓更多的明星，甚至普通人的聲音都可以在終端設備中蘇醒，這個技術能力具有廣泛的市場想象力。但是，采用明星的聲音，往往需要大量語料的錄入和拼接。
錄入時間過長不說，還需要在專業指導下完成。合作的明星要錄制幾千句，時間跨度動輒幾個月，耗資不菲。
即便如此折騰，也難以覆蓋全部細分應用領域。在某些銜接處，往往會出現機械拼湊的生澀感。不但阻礙了明星聲音進入泛化設備場景，更讓普通人對錄入自己的聲音望而卻步。
所以如何降低訓練成本，用更少的語料達成聲音學習和語音生成，是這條賽道的關鍵。
最近，百度就發布了自己在語音合成方面的最新成果，可以通過“語音克隆”模仿數千個不同的聲音，每個說話者需要不到一個半小時就能完成數據訓練。
核心方法是講話人適配（speaker adaptation），使用數個語音克隆樣本，讓機器從幾秒長度的短句中學習說話者的聲音特點，然后通過反向傳播的優化方法對多講話人語音生成模型做精細調節（fine-tune）。講話人只需提供少量的語料，余下的語音復制所需的素材都可以通過克隆來完成。
獵豹移動旗下的獵戶星空語音OS，用戶花費5分鐘錄制10段話，系統就能自動用一段時間合成一個覆蓋常用領域的語音包，并且音色自然。
簡單來說，是用深度學習TTS模型TACOTRON，將文本分析、聲學模型、音頻合成等模塊進行大語料庫的打包訓練，以這樣的語音庫作為基礎模型，就可以在10段話中提取出發音人的語音特征，然后通過world聲碼器合成出音色相同的語音。
總結一下，目前TTS領域的現狀是：傳統的語料對數據的要求太大，往往需要消耗大量人力物力，短期內根本無法被大規模復制。但個性化語音背后隱藏的，又是一個龐大的交互需求。
一旦音源采集成本能夠大大降低，普通人也可以輕松生成獨屬于自己的個性化語音包。試想一下，如果一個聊天機器人具有了真人的語氣、生動的表達，是不是能訓練出一個很高仿的AI？
它可以是一位好久不見的朋友、一個會講故事的媽媽，或者是一位即將逝去的親人最后的剪影。
這個技術的“處女地”一旦被撬動，很多智能語音軟硬件體驗上的困擾都將迎刃而解。
因此，建立在數據與算法優勢上的少語料分析能力，也成為TTS賽場上重要的彎道技巧，只把少數企業推向更廣闊的市場。
四、工程化與商業入口：TTS的產業地緣爭奪
說了這么多不難看出，TTS是一項“可甜可鹽”的技術。
它看似存在感很低，卻讓許多站在金字塔頂端的高科技企業操碎了心；要用最前沿的技術矩陣才能攻克，最終還是要到真實瑣碎的人間煙火中千錘百煉。
而它的終極目標，還是通過智能設備與生活場景相聯接，建立服務市場。
所以一場圍繞TTS的爭奪戰，不僅僅是技術競速。最重要的競爭指標，是企業的工程化完成能力與市場信賴度。
比如說，如果某些新技術只停留在實驗室階段，放到真實的音箱、電視產品上根本不是那么回事兒，或者說優化程度很有限，不但合作伙伴要背鍋，“狼來了”聽多了，消費者的熱情也會被消耗殆盡。
目前百度和科大訊飛在國內難解難分，微軟憑借具有號召力的技術表現力占得一席之地，谷歌則是遠在天邊的“技術明燈”。但普通人能在哪里用到它們，還真是個謎。重技術突破而輕應用、輕市場，恐怕是當前TTS升級階段的主要矛盾。
這或許也顯露出了TTS目前最急需的，不是“居廟堂之高”，反而應該將技術突破盡快投擲于現實，與用戶共舞，與產業磨合。
從大環境來看，TTS的應用場景非常豐富。出行、購物、娛樂、育兒、智能手機等等等等，都是能夠大顯身手的地方。用戶的耐心也還在培養期，體驗不盡如人意，也只會被友善的調侃一下。
一些技術廠商之所以無法跑通這條康莊大道，一方面是產業下沉能力，習慣了在技術上九天攬月，對工程化產品缺乏耐心細致的打磨；
另一方面是大眾認知斷層，在消費層面缺乏有力的品牌支持和心智保障，出現了“叫好不叫座”的局面。
TTS的應用價值，決定了它是一個非常泛在的通用型技術，但并不是所有AI企業都能憑借TTS在泛AI交互市場成功“吃雞”，它考驗的是企業無短板的綜合能力。
目前看來，想要擁有不尷尬的TTS，從實驗室到產業，還需要長期的應用突破和商業迭代，才能迎來真正的破曉。
作者：腦極體，微信公眾號：腦極體
本文由 @腦極體 原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自 Unsplash ，基于 CC0 協議。
受教了