J.BrantWard是Nuance語音設計和發(fā)展業(yè)務的高級總監(jiān)，他在硅谷的TTS產業(yè)一待就是10年。Nuance是全球最大的獨立語音識別和轉換技術供應商。公司的業(yè)務包括給醫(yī)療行業(yè)提供語音治療記錄，他們研發(fā)的語音識別和轉換技術可以從平板一路用到汽車。

　　TTS產業(yè)競爭激烈而且非常神秘

　　Ward和Nuance的高級設計總監(jiān)DavidVazquez目前正在研發(fā)公司的下一代合成語音。他們稱之為“技術和藝術的完美結合”。

　　盡管外界普遍認為Siri的實現(xiàn)是Nuance做的，但Ward和Vazquez每每對這個話題總是顧左右而言他。對業(yè)務細節(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上的實現(xiàn)：顯然不是配音人員對著字典一個詞一個詞地錄進去的。但語音技術有時需要讀取某個郵件中的全部內容，或者是從網(wǎng)站上給你找回資料，所以它對這些內容中的每一個字都要認得。

　　“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，這些內容都是富含了大量語素的精選句子。語素是語言在聲學上的基本組塊——比如Cat中的“K”音?？傊畠热菘雌饋矸浅Ｏ窭@口令。

　　之后配音工作人員會將這些內容錄制起來（大約要數(shù)月的時間）。這些數(shù)據(jù)再經過分析，分類，標記進入一個大數(shù)據(jù)庫，整個過程會有一個配音團隊和一個軟件團隊參與。

　　這一過程結束后，Nuance的文本語音轉換引擎會將這些數(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，但兩者的聲音會非常接近——因為從技術上講，這就是原來的聲音。

　　讓計算機把聲音拼接起來絕不簡單

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

　　人們通常在開始寫字以前就會說話，語言這件事是無意識的：你不用一邊說一邊關注重音、停頓、語速、語素間的關系…但是同一件事讓計算機來完成，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不同。

1  2  

　　單詞之外，放在語句里的情況更加復雜。比如一個預定航班的電話，“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？”這兩個句子在英語中前一個是升調結束，后一個是降調。別看沒什么大不了，但用戶一聽就能感覺到機械感太強，體驗太差。

　　早期的合成語音為什么聽起來機械感十足？

　　最典型的例子就是霍金的聲音。在90年代以前，計算機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、標記然后重組。所以那時候的語音實際上就是簡單的合成器。

　　這種情況一直持續(xù)到20世紀早期，計算機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，人工智能的成熟也可以讓計算機做出相對靠譜的判斷。比如說用戶提到一個“風”字，計算機可以反饋出“起風了”或者是“空穴來風”的選項。

　　蘋果開始在第一代Mac中提供文字-語音的閱讀器，而移動技術最終的發(fā)展真正刺激了語音技術需求。語音技術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調自然語言解析和機器學習的重要性。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)也會受到沖擊，Voices.com（配音服務平臺）的首席營銷官StephanieCiccarelli則向媒體表示：TTS已經變成他們行業(yè)的一個威脅，語音技術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