藏在机器嗓音里的赛车场：我们离完美的AI之声还有多远？
人类与AI的对话频率，正在进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、有买有送的智能音箱，还是千娇百媚的智能机器人或者地图导航，总有一款声音萌动你心。
这些生活中随处可见的声线，背后其实都是靠一项核心技术来支撑的：语音合成TTS（ Text－To－Speech），即将文字转化为声音。
在一般情况下TTS并不受到广泛关注。很多智能语音相关产品的发布会上，它甚至不会占用超过一页PPT的篇幅。但实际上，TTS对于整个AI语音交互的体验触发，起到了决定性的作用：用户听到什么声音，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，成为了地图导航的死忠粉。而在经典的AI电影《Her》里，人工智能系统OS1就拥有斯嘉丽约翰逊的迷人声线，让男主人公为之倾倒，一段人与AI的虐恋就此展开。
语音合成，为机器注入了一种人格化的魅力，也让人类更愿意与之建立亲密关系。这也意味着，在商业价值都要靠黏住用户来实现的当下，TTS能力将成为各个语音场景输赢的命脉。
尽管企业对TTS的需求是如此迫切，但从学术到产业应用之间，TTS依然存在着大片的技术空白。相近的技术原理和前沿算法探索之后，每家公司的解决方案、解决能力都千差万别。二者叠加之下，导致TTS变成了一个巨大的赛场。
本文希望剖析这个并不为大众熟知的赛道，透视一下是什么决定了机器如何说话，决定了用户耳朵的体验与舒适度，又有哪些玩家凭借TTS撬开了智能语音的富矿。
那场极速的温柔：让机器听上去像人，是AI公司的首要奔跑方向
最近，网上流行起了一种新的搞笑玩法：扮演机器。比如，用百度翻译的语音包跟游戏中的队友说话，浓烈的机械味怕是会被队友忍不住一枪爆头。
与此同时，一个娘化的AI形象“绊爱”也迅速走红，被粉丝们亲切地称为“爱酱”。它有着少女一样的形象，能够像人类一样交流，言语之间还会时不时流露出作为AI的志得意满。
对过度机械的语音无情调侃，为高度人性化的语音疯狂打call，可以说是普通人对TTS的下限与上限最为直接的反应了。
从中不难看出，TTS的核心赛道，就在于如何让机器的声音听上去韵律自然、情感充沛。说白了，就是如何在机器声音中注入人性。
这个听起来很模糊的需求，现实中只能通过TTS多个技术层次的逐步通关来实现。
综合整个流程来看，目前有两方面的工作是AI公司努力的核心方向：
用心的语料库，正在成为TTS发动机
如何用更少的语料合成更自然的高质量语音，可能是未来TTS的技术攻坚方向。
目前看来，更有情感表现力和精准韵律的声音，一定是通过庞大精准的语料库直接拼接产生的。
这背后隐藏的，是AI公司正在比拼构建语料库的投入成本与产品精神。
比如苹果就请来了专业配音员苏珊·贝内特（Susan Bennett）为Siri录制原始语料，而微软小娜Cortana的声音则来自演员简·泰勒（Jen Taylor），曾为《光晕》游戏中的角色Cortana配音。
国内，高德则邀请了林志玲、郭德纲、TFBOYS、罗永浩、黄晓明、高晓松等众多流量担当来录制导航语音包。
而为小米音箱、喜马拉雅音箱、美的音箱等智能硬件提供服务的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”更为流畅自然地进行中英文混说，猎户专门找了一个和中文声源发音很像的女孩子来录制英语语料包。
从大量发音人的挑选，语料的精心打磨，以及对用户场景的深度适配，好的TTS前端数据处理能力，是今天区分这个细分领域产业地位的核心。
用算法探索“听着舒服”的边界
解决了基础音源和庞大语料库还远远不够。今天的TTS领域，普遍前进方向是基于相似的模型，在细节上带来TTS效果优化。
这个领域构成了AI技术公司在TTS上的算法优势，百度、微软等都在重磅押注。
简单来说，就是通过系统对输入的文本进行分析，获得合成语音的基本单元信息，从标注好的语音库中挑选出最合适的语音单元，根据需求进行一定的修改和调整后，经过波形拼接的方式获得合成的语音。
目前，DeepMind 最新的深度生成模型 WaveNet ，改变了传统的拼接法，而是选择直接对音频信号的原始波形进行建模，一次处理一个样本，来产出更为自然的声音。
目前，WaveNet已经能够模拟任何人类的语音，并且将机器语音合成的表现与人类之间水平的差距至少缩减了 50％。
中国这边，百度正在研究用讲话人编码（speaker encoding）技术来进行自然语音的生成。
简单来说，讲话人编码器已经学会了把不同人说的话分别聚类，更好地模仿讲话人的声音特点。比如，机器能从口音判断出，讲话者是一个来自北美的男性还是来自英国的男性，从而更逼真地还原出原音。
猎豹则是通过更多层级的标注体系，来进行语音特征单元的提取。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，让合成后的语音在上下文韵律信息及准确度上更加完善，听起来也就更符合真人的发音习惯。
总而言之，好的TTS算法，正成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学习用户的声音。
让更多的明星，甚至普通人的声音都可以在终端设备中苏醒，这个技术能力具有广泛的市场想象力。但是，采用明星的声音，往往需要大量语料的录入和拼接。
录入时间过长不说，还需要在专业指导下完成。合作的明星要录制几千句，时间跨度动辄1－2个月，耗资不菲。
即便如此折腾，也难以覆盖全部细分应用领域。在某些衔接处，往往会出现机械拼凑的生涩感。不但阻碍了明星声音进入泛化设备场景，更让普通人对录入自己的声音望而却步。
所以如何降低训练成本，用更少的语料达成声音学习和语音生成，是这条赛道的关键。
最近，百度就发布了自己在语音合成方面的最新成果，可以通过“语音克隆”模仿数千个不同的声音，每个说话者只需要不到一个半小时就能完成数据训练。
核心方法是讲话人适配（speaker adaptation），使用数个语音克隆样本，让机器从几秒长度的短句中学习说话者的声音特点，然后通过反向传播的优化方法对多讲话人语音生成模型做精细调节（fine－tune）。讲话人只需提供少量的语料，余下的语音复制所需的素材都可以通过克隆来完成。
猎豹移动的猎户星空语音OS，用户花费20分钟录制10段话，系统就能自动用2个星期合成一个覆盖常用领域的语音包，并且音色自然。
简单来说，是用深度学习TTS模型TACOTRON，将文本分析、声学模型、音频合成等模块进行大语料库的打包训练，以这样的语音库作为基础模型，就可以在10句话中提取出发音人的语音特征，然后通过声码器合成出音色相同的语音。
总结一下，目前TSS领域的现状是，传统的语料对数据的要求太大，往往需要消耗大量人力物力，短期内根本无法被大规模复制。但个性化语音背后隐藏的，又是一个庞大的交互需求。
一旦音源采集成本能够大大降低，普通人也可以轻松生成独属于自己的个性化语音包。试想一下，如果一个聊天机器人具有了真人的语气、生动的表达，是不是能训练出一个很高仿的AI？它可以是一位好久不见的朋友、一个会讲故事的妈妈，或者是一位即将逝去的亲人最后的剪影。
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困扰都将迎刃而解。
因此，建立在数据与算法优势上的少语料分析能力，也成为TTS赛场上重要的弯道技巧，只把少数企业推向更广阔的市场。
工程化与商业入口：TTS的产业地缘争夺
说了这么多不难看出，TTS是一项“可甜可盐”的技术。
它看似存在感很低，却让许多站在金字塔顶端的高科技企业操碎了心；要用最前沿的技术矩阵才能攻克，最终还是要到真实琐碎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，建立服务市场。
所以一场围绕TTS的争夺战，不仅仅是技术竞速。最重要的竞争指标，是企业的工程化完成能力与市场信赖度。
比如说，如果某些新技术只停留在实验室阶段，放到真实的音箱、电视产品上根本不是那么回事儿，或者说优化程度很有限，不但合作伙伴要背锅，“狼来了”听多了，消费者的热情也会被消耗殆尽。
目前百度和科大讯飞在国内难解难分，微软凭借具有号召力的技术表现力占得一席之地，谷歌则是远在天边的“技术明灯”。但普通人能在哪里用到它们，还真是个谜。重技术突破而轻应用、轻市场，恐怕是当前TTS升级阶段的主要矛盾。
这或许也显露出了TTS目前最急需的，不是“居庙堂之高”，反而应该将技术突破尽快投掷于现实，与用户共舞，与产业磨合。
从大环境来看，TTS的应用场景非常丰富。出行、购物、娱乐、育儿、智能手机等等等等，都是能够大显身手的地方。用户的耐心也还在培养期，体验不尽如人意，也只会被友善的调侃一下。
一些技术厂商之所以无法跑通这条康庄大道，一方面是产业下沉能力，习惯了在技术上九天揽月，对工程化产品缺乏耐心细致的打磨；
另一方面是大众认知断层，在消费层面缺乏有力的品牌支持和心智保障，出现了“叫好不叫座”的局面。
TTS的应用价值，决定了它是一个非常泛在的通用型技术，但并不是所有AI企业都能凭借TTS在泛AI交互市场成功“吃鸡”，它考验的是企业无短板的综合能力。
目前看来，想要拥有不尴尬的TTS，从实验室到产业，还需要长期的应用突破和商业迭代，才能迎来真正的破晓。
文／脑极体
