今天，獵豹移動董事長兼CEO傅盛在抖音上分享了一個很有意思的視頻：
他與一個“AI版傅盛”上演了一場“超級模仿秀”，這個AI不僅說話聲音聽起來和他一模一樣，還能表演“八百標兵奔北坡”這樣高難度順口溜。
更為關鍵的是，這一整場嬉笑幽默的多輪人機對話，傅盛只錄入了10段真人語音。
這意味著，隱藏在智能語音背后的TTS技術，正在悄無聲息地發(fā)生重大升級。
而事實上，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(fā)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(fā)，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，成為了高德地圖的死忠粉。而在經典的AI電影《Her》里，人工智能系統(tǒng)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(yè)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(yè)對TTS的需求是如此迫切，但從學術到產業(yè)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。
比如有的語音系統(tǒng)需要靠真人花費幾個月錄制大量語料堆砌而成，而獵戶星空只需要聽10段話就可以復制一個和真人聲音一樣的機器人。
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。
那場極速的溫柔：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(fā)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(yè)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。
而用戶們在小米音箱、喜馬拉雅音箱、美的音箱等智能硬件上聽到的AI女聲，更是沒少在語料上下“笨功夫”。
其基礎語音是獵豹移動旗下的人工智能公司獵戶星空從300個女聲中海選，邀請了100名核心用戶，以及整個公司上至高層、下至基層員工進行投票后，選出的最溫暖的聲音。
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(fā)音很像的女孩子來錄制英語語料包，終于讓機器講中英文告別了“尬說”時代。前不久，獵戶星空還選出了最萌童聲，讓兒童類語音產品有了更高品質的聲音可以選擇。
目前看來，獵戶星空是將用戶的聽覺體驗放在整個產品生命周期的核心去做全盤考慮。
從大量發(fā)音人的挑選，語料的精心打磨，以及對用戶場景的深度適配，如此復雜嚴苛的產品打磨，直接為獵戶星空在TTS領域占據了獨特的產業(yè)身位。
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(jié)上帶來TTS效果優(yōu)化。
這個領域構成了AI技術公司在TTS上的算法優(yōu)勢，百度、微軟等都在重磅押注。
簡單來說，就是通過系統(tǒng)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 ，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%。
獵戶星空TTS團隊也在不斷探索端到端技術的算法升級。
比如搭建了遠超行業(yè)平均水平的標注體系，從聲韻母層、音節(jié)層、詞層、韻律詞層、短語層和語句層6個層級，進行特征單元的提取，從而使合成后的語音在上下文韻律信息及準確度上都更加完善，聽起來自然，也就更符合真人的發(fā)音習慣。
算法越強大，機器表現當然就更加自然。因此，好的TTS算法，如今正成為區(qū)分語音合成領域產業(yè)地位的核心因素。
這種產品驅動下的數據積累與技術攻堅的融合優(yōu)勢，正讓獵戶星空TTS不斷收到來自華為、小米、錘子、美的、喜馬拉雅等高科技企業(yè)的橄欖枝，更容易幫助獵豹移動建立產業(yè)上游區(qū)位。
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，常見的地圖導航軟件中郭德綱、林志玲等明星的聲音，往往是通過大量語料的錄入和拼接來完成的。錄入時間過長不說，還需要在專業(yè)指導下完成。合作的明星往往需要錄制幾千句，時間跨度更是長達幾個月，耗資不菲。
而即便如此，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(fā)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。
獵戶星空的TTS技術則更為激進，只需要用戶花費5分鐘錄制10段話，之后系統(tǒng)就能自動用一段時間合成一個覆蓋常用領域的語音包，并且音色和真人一樣自然。
這到底是怎么做到的？
簡單來說，獵戶星空TTS技術團隊用一個端到端的深度學習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(fā)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。
不難想象，這一技術落地商用之后，不僅明星的音源采集成本會大大降低，普通人也可以輕松生成獨屬于自己的個性化語音包，甚至可以跟擁有親人、戀人、愛豆聲音的機器人隨時互動聊天，想想還真有點小激動呢。
總結一下，目前TTS領域的現狀是，傳統(tǒng)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(guī)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。
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(yōu)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(yè)推向更廣闊的市場。
工程化與商業(yè)入口：TTS的產業(yè)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(yè)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(lián)接，建立服務市場。
所以一場圍繞TTS的爭奪戰(zhàn)，不僅僅是技術競速。最重要的競爭指標，是企業(yè)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(yōu)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。
當然了，對于那些擁有產業(yè)落地能力和用戶信任底氣的玩家來說，現在又是跑馬圈地最好的時候。
比如中國消費者非常熟悉的獵戶星空最溫暖的AI女聲，就成為越來越多智能硬件的“助攻”。除了粉絲眾多的小米音箱、小豹音箱、喜馬拉雅音箱、美的音箱，剛剛發(fā)布的華為智能音箱小藝也應用了這個溫暖的AI女聲。
憑借技術優(yōu)勢和對產品細節(jié)、用戶體驗的細心打磨，獵豹移動旗下的人工智能公司獵戶星空正在成為TTS這個AI細分市場的最快速上升品牌。
這或許也顯露出了TTS目前最需要做的，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(yè)磨合。
從大環(huán)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(yǎng)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(yè)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”的尷尬情況。
而有說服力的AI硬件產品，與廣泛的產業(yè)合作基礎，讓獵戶星空的TTS技術能力得到了全方位釋放，讓其在商業(yè)與工程化的賽道中具有更強的地緣優(yōu)勢。獵戶星空讓TTS快速落地，恰恰說明，TTS的應用價值，決定了它是一個非常廣泛的通用型技術，考驗的正是企業(yè)無短板的綜合能力。
一個人機共生的美好圖景，正在從TTS中醒來。從TTS到泛AI交互市場，絕對是一個值得長期思考的命題。
免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。
免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。
