J.BrantWard是Nuance語音設(shè)計(jì)和發(fā)展業(yè)務(wù)的高級總監(jiān)，他在硅谷的TTS產(chǎn)業(yè)一待就是10年。Nuance是全球最大的獨(dú)立語音識別和轉(zhuǎn)換技術(shù)供應(yīng)商。公司的業(yè)務(wù)包括給醫(yī)療行業(yè)提供語音治療記錄，他們研發(fā)的語音識別和轉(zhuǎn)換技術(shù)可以從平板一路用到汽車。

　　TTS產(chǎn)業(yè)競爭激烈而且非常神秘

　　Ward和Nuance的高級設(shè)計(jì)總監(jiān)DavidVazquez目前正在研發(fā)公司的下一代合成語音。他們稱之為“技術(shù)和藝術(shù)的完美結(jié)合”。

　　盡管外界普遍認(rèn)為Siri的實(shí)現(xiàn)是Nuance做的，但Ward和Vazquez每每對這個(gè)話題總是顧左右而言他。對業(yè)務(wù)細(xì)節(jié)表示無可奉告，但兩人還是如此向我們解釋了聲音在技術(shù)上的實(shí)現(xiàn)：顯然不是配音人員對著字典一個(gè)詞一個(gè)詞地錄進(jìn)去的。但語音技術(shù)有時(shí)需要讀取某個(gè)郵件中的全部內(nèi)容，或者是從網(wǎng)站上給你找回資料，所以它對這些內(nèi)容中的每一個(gè)字都要認(rèn)得。

　　“比如你找最近的一家花店，”Ward說道，“單單美國就有超過2700萬的這類店鋪，你不可能把每一個(gè)都事先錄制好。”

　　“我們的做法是找捷徑，”Vazquez一邊說著一邊拿出他們的“劇本”——一打布滿詭異句子的表格。Vazquez指著表格解釋道，這些內(nèi)容都是富含了大量語素的精選句子。語素是語言在聲學(xué)上的基本組塊——比如Cat中的“K”音。總之內(nèi)容看起來非常像繞口令。

　　之后配音工作人員會(huì)將這些內(nèi)容錄制起來（大約要數(shù)月的時(shí)間）。這些數(shù)據(jù)再經(jīng)過分析，分類，標(biāo)記進(jìn)入一個(gè)大數(shù)據(jù)庫，整個(gè)過程會(huì)有一個(gè)配音團(tuán)隊(duì)和一個(gè)軟件團(tuán)隊(duì)參與。

　　這一過程結(jié)束后，Nuance的文本語音轉(zhuǎn)換引擎會(huì)將這些數(shù)據(jù)碎片和過去的數(shù)據(jù)整合在一起，拼成的句子大大超過錄入的信息量，但兩者的聲音會(huì)非常接近——因?yàn)閺募夹g(shù)上講，這就是原來的聲音。

　　讓計(jì)算機(jī)把聲音拼接起來絕不簡單

　　這個(gè)過程專業(yè)的名稱叫作“語流合成”；有點(diǎn)像一封老式的勒索信，你從各個(gè)地方撕下不同的文字然后拼接在一起構(gòu)成勒索信的內(nèi)容。

　　人們通常在開始寫字以前就會(huì)說話，語言這件事是無意識的：你不用一邊說一邊關(guān)注重音、停頓、語速、語素間的關(guān)系…但是同一件事讓計(jì)算機(jī)來完成，那所有的情況都必須考慮到。比如a在各種情境下的發(fā)音都是不同的，同是放在中間的cat和catty，放在開頭的alligator；還有你的重音落在不同位置情況也會(huì)不同。

1  2  

　　單詞之外，放在語句里的情況更加復(fù)雜。比如一個(gè)預(yù)定航班的電話，“你要去舊金山還是紐約呢？”和“你要去舊金山、濱州還是紐約呢？”這兩個(gè)句子在英語中前一個(gè)是升調(diào)結(jié)束，后一個(gè)是降調(diào)。別看沒什么大不了，但用戶一聽就能感覺到機(jī)械感太強(qiáng)，體驗(yàn)太差。

　　早期的合成語音為什么聽起來機(jī)械感十足？

　　最典型的例子就是霍金的聲音。在90年代以前，計(jì)算機(jī)的處理能力還做不到語流合成，也就是把無數(shù)段話拆解、分析、標(biāo)記然后重組。所以那時(shí)候的語音實(shí)際上就是簡單的合成器。

　　這種情況一直持續(xù)到20世紀(jì)早期，計(jì)算機(jī)終于有能力在超大規(guī)模的數(shù)據(jù)庫中完成搜索和配對，所以有公司開始做自然語言的語流合成（包括Naunce）。同時(shí)，人工智能的成熟也可以讓計(jì)算機(jī)做出相對靠譜的判斷。比如說用戶提到一個(gè)“風(fēng)”字，計(jì)算機(jī)可以反饋出“起風(fēng)了”或者是“空穴來風(fēng)”的選項(xiàng)。

　　蘋果開始在第一代Mac中提供文字-語音的閱讀器，而移動(dòng)技術(shù)最終的發(fā)展真正刺激了語音技術(shù)需求。語音技術(shù)在今天的重要性可以從各大巨頭的表現(xiàn)可見一斑，微軟CEO鮑默爾在去年給股東的郵件中非常強(qiáng)調(diào)自然語言解析和機(jī)器學(xué)習(xí)的重要性。谷歌、微軟、亞馬遜、蘋果都在紛紛部署自己的語音助手。

　　而另一面上，傳統(tǒng)行業(yè)也會(huì)受到?jīng)_擊，Voices.com（配音服務(wù)平臺）的首席營銷官StephanieCiccarelli則向媒體表示：TTS已經(jīng)變成他們行業(yè)的一個(gè)威脅，語音技術(shù)甚至開始取代了一部分的配音工作。

 

1  2  

欲知詳情，請下載word文檔 下載文檔

來源：[db:出處]

作者：tee