以往，談及對合成語音的刻板印象，很多人會聯(lián)想到《星球大戰(zhàn)》中的C-3PO——那個有著近似人類外形金光閃閃的家伙，它是整個系列影片中毫無爭議的搞笑擔當，其動作僵硬而滑稽，說起話來喋喋不休，聲音中混雜著輕微的交流聲和金屬質(zhì)感的回聲。直到今天，它那獨特的嗓音，仍然是很多科幻片中人工智能發(fā)聲的模板。

第一部《星球大戰(zhàn)》公映于1977年，彼時，個人電腦才剛剛走出實驗室，人們對于人工智能的想象力仍受限于時代。去年，該系列推出了最后一部作品《星球大戰(zhàn)：天行者崛起》，C-3PO的聲音還是人們熟悉的老樣子。而現(xiàn)實中，智能語音技術飛速發(fā)展，取而代之的是聽感越來越趨于自然、逼真的“合成人聲”，讓越來越多的企業(yè)于實現(xiàn)了與客戶的多模態(tài)互動。

合成人聲的用途相當廣泛，我們熟知的便是手機中的語音助手，用戶可通過簡單的人機對話，獲知天氣、路況等實時信息，也可命令手機完成撥號、查詢等任務。這一類應用被稱作實時語音合成，它對基于云的計算力提出了很高的要求，除了需要對聲音的自然度不斷地進行優(yōu)化外，實時合成對于語音合成引擎和平臺架構也都有著極高的要求，必須保障在極低的延遲下，提供準確、穩(wěn)定、自然的聲音內(nèi)容。另一類常見的應用是利用人工智能語音合成有聲內(nèi)容，這類應用通常會在語音服務端進行非實時的批量合成，然后再將有聲內(nèi)容文件提供給用戶。有聲內(nèi)容合成的主要挑戰(zhàn)在于如何通過多種角色扮演和豐富情感表達，降低聽眾單向接收有聲內(nèi)容的聽覺疲勞。

以往，有聲書需要由專業(yè)朗誦者來錄制，制作周期長達數(shù)月且成本高昂。如今，通過智能合成語音錄制有聲書，制作周期可縮短至幾小時，甚至是幾分鐘。即便在需要人工干預校對和聲音編輯的情況下，制作周期也可縮短至數(shù)周，節(jié)省了大量的人力、物力及時間成本，且得到的效果幾乎與真人朗誦別無二致。今年的“世界讀書日”，由周迅與公益組織紅丹丹聯(lián)合發(fā)起的為視障人士讀書活動，向我們展示了語音合成技術的新高度。在此之前，創(chuàng)建一個高質(zhì)量的語音合成模型需要以大量真人原聲為樣本進行機器學習，樣本量通常會超過10小時或10000句。而這次公益活動的主辦方采用了由微軟最新開發(fā)的深度神經(jīng)網(wǎng)絡語音合成定制系統(tǒng)，只采集了半小時大約500句的周迅原聲錄音，便通過深度定制的語音模型，惟妙惟肖地復原了周迅的聲音。

這里所說的“復原”不只是周迅頗具特色的聲線，也包括周迅在朗讀時的語氣、情緒、語調(diào)、抑揚頓挫等。可以想象，隨著這一技術的普及，有聲書行業(yè)也將隨之發(fā)生巨大的改變。微軟將在國際殘疾人日捐贈的100小時有聲書籍正昭示著這種改變的開始。

微軟深度神經(jīng)網(wǎng)絡是基于Azure云的端到端語音合成系統(tǒng)，由前端、聲學模型和聲碼器三部分組成。前端主要解決基于語義理解的文本發(fā)音問題，比如“2020”在表示年份和數(shù)字時的讀法不一樣，這是上下文關聯(lián)問題；再比如“堡”字，用于地名時應讀作“鋪”，“解”用在姓氏上應讀作“謝”，這都是多音字問題；還有“一會兒”這類詞，不能讀成三個字，后兩個字應合并為兒化音，這是語言習慣問題。聲學模型負責為語音賦予韻律，比如語速、語調(diào)、停頓、重音和情緒變化等。最后一部分聲碼器負責還原語音的聲學特征，也就是一般所說的嗓音或聲線，如振幅、頻率、波長等。

深度神經(jīng)網(wǎng)絡模型是當前最先進的語音合成技術，但相應的主流產(chǎn)品在合成效率、效果，以及所需聲音樣本量上，卻存在很大差異。以樣本量為例，微軟的語音合成定制技術處于行業(yè)領先地位，一般情況下，只需要不超過2000句的內(nèi)容，就可以做到非常逼真的還原。那么，在周迅的案例中，是如何做到只需500句甚至更少的聲音素材就達到類似效果呢？微軟還有一個“殺器”——通用模型。通用模型是在對海量語料庫進行大數(shù)據(jù)分析的基礎上，不斷訓練深度神經(jīng)網(wǎng)絡去學習人類語言與發(fā)聲特征后得到的。目前微軟通用語料庫的容量已經(jīng)超過3000小時，覆蓋了50多個語種，通過它提煉出來的通用模型已經(jīng)熟練掌握了這50多種語言的幾乎全部發(fā)聲規(guī)律，甚至包括真人說話時換氣和咽口水的細節(jié)都可以模仿出來。當微軟需要基于像周迅這樣只有500句話甚至更少內(nèi)容的語料庫做語音定制時，便可以在通用模型基礎上，通過遷移學習法來建立周迅聲音的擴展模型。

目前，微軟的語音合成定制系統(tǒng)只需要半小時左右的聲音樣本便可建立定制語音模型，與傳統(tǒng)TTS建模所需的至少10小時或10000句的聲音樣本量相比，是一個從量到質(zhì)的飛躍。這一飛躍使得面向更多的企業(yè)甚至于普通消費者的個人聲音定制成為可能。

微軟之所以能在語音合成領域保持領先地位，主要得益于其20多年來在算法和定制模型上所積累的深厚功力。自從1991年微軟研究院成立以來，微軟一直將語音作為主要的研究領域，儲備、積累了大量的人工智能相關技術。2018年9月，微軟率先開始測試基于深度神經(jīng)網(wǎng)絡的端到端語音合成系統(tǒng)，為人工智能語音技術的發(fā)展揭開了新的一頁。

前不久，微軟將其定制的通用中文發(fā)聲與市場上的主流產(chǎn)品進行了盲測對比，微軟的MOS得分（5分制）為4.35，居于領先地位，表明合成語音與真人聲音已經(jīng)非常接近（真人的MOS得分為4.41）。

除了語音助手和有聲書籍錄制外，語音合成技術還廣泛應用于智能語音客服領域，這也是微軟目前在to B領域的主要發(fā)力點，比如很多航空公司、電商平臺、電信運營商等都在嘗試使用微軟的智能語音客服來緩解人工壓力。智能語音客服可以解決很多常見的標準化問題，減少客戶的等待時間，為客戶帶來更好的服務體驗。在應對突發(fā)事件方面，智能語音客服更有得天獨厚的優(yōu)勢，很多突發(fā)事件都會造成客戶咨詢量在短時間內(nèi)爆發(fā)式增長，在這種情況下，企業(yè)如果增設人工客服，一方面可能在時間上來不及，另一方面?zhèn)}促上崗也可能導致服務質(zhì)量的難以保證。

目前，微軟為企業(yè)定制智能語音客服大致需要300至2000句語料訓練，以滿足特定應用場景的需求；對于需要定制適用于多場景、富有多種情緒甚至涵蓋多語種的品牌聲音的企業(yè)而言，語料訓練則有更高要求。

上述兩種定制目前都會有人工參與測試和適當調(diào)校并向客戶提供靈活的接入方式，即通過API或SDK接入微軟的Azure公有云，實現(xiàn)端到端的實時合成。如果客戶有特殊需求，產(chǎn)品也可部署在私有云甚至離線設備中。未來，這兩種系統(tǒng)都將實現(xiàn)自動化定制。實際上，微軟已經(jīng)邀請合作伙伴開始小范圍的自動化系統(tǒng)測試，可能在不久的將來正式發(fā)布此系列產(chǎn)品。

可以預期，伴隨著相關技術的發(fā)展，智能語音在個人及商業(yè)領域中的應用場景將更加豐富，不斷細分的合成語音服務也會給我們帶來更多的體驗和驚喜。同時，微軟提出了人工智能六項倫理道德準則：公平、可靠和安全、隱私和保證、包容、透明和責任。倡導負責任的人工智能。這些原則將為人工智能的發(fā)展保駕護航，予力全球每一人、每一組織，成就不凡！

直播鏈接:https://live.bilibili.com/h5/4306336

*本文圖片均來源于網(wǎng)絡