在人機(jī)交互不再滿足于“聽”時(shí)，“說”的環(huán)節(jié)變得尤為重要，“怎么說”、“誰來說”成了關(guān)鍵按鈕。

而目前語音產(chǎn)品賽道逐漸進(jìn)入了常規(guī)化模式，邀請明星出聲也成為了基本操作，相比傳統(tǒng)的機(jī)械式AI聲音，真人語音無論是在效果還是情感方面都是無可比擬的，再加上明星效應(yīng)，用戶的體驗(yàn)效果將來得更加直觀。

12月24日，百度地圖官方宣布湯唯正式簽約代言人，同時(shí)上線“湯唯導(dǎo)航語音”。在“說”的領(lǐng)域，百度地圖這款“新一代人工智能地圖”又邁出了一步。

從語音導(dǎo)航到湯唯定制語音，百度地圖“AI＋女神”到底進(jìn)化了什么

傳統(tǒng)語音導(dǎo)航，是單調(diào)無聊的，定制語音將其變?yōu)榱诉^去式。擁有湯唯的柔美聲音作為導(dǎo)航，在體驗(yàn)上有什么差別？當(dāng)“前方路段交通擁擠，請小心駕駛”變成“前方行駛緩慢，慢慢欣賞路上風(fēng)景”，會(huì)不會(huì)覺得這才是“人性化”服務(wù)？

1、擺脫中性，湯唯帶給我們的不只是女神之聲

很多人會(huì)問，一定要給AI加上性別嗎？不，AI不一定需要性別，但語音最好有。

以往我們聽到的AI語音都是機(jī)械式的聲音，是“中性”或者說是“無性”的聲音，帶來的問題也很直接，就是太冰冷、沒個(gè)性。之前也有說到，目前個(gè)性化、表現(xiàn)力正是語音合成所追求的方向之一，所以百度地圖帶來的湯唯語音也就不止是一款語音那么簡單�？梢哉f湯唯語音從一個(gè)功能點(diǎn)體現(xiàn)出結(jié)合了人工智能的百度地圖正在變得越來越強(qiáng)大。

聲音具有和視覺傳達(dá)一樣很強(qiáng)的感染力，甚至有時(shí)，以聲音為主的交互會(huì)帶來更好的沉浸感。

并且語音合成研究已開始從文字到語音的轉(zhuǎn)換階段向概念到語音的轉(zhuǎn)換階段發(fā)展。所涉及的技術(shù)也更加復(fù)雜，百度地圖就是利用其深度神經(jīng)網(wǎng)絡(luò)技術(shù)、深度學(xué)習(xí)技術(shù)，再結(jié)合車內(nèi)應(yīng)用場景進(jìn)行打造。例如百度語音合成系統(tǒng)采用的全深度學(xué)習(xí)的框架，是在語音合成領(lǐng)域首次采用全深度學(xué)習(xí)框架，實(shí)現(xiàn)了語言合成上的個(gè)性化、口語化。

2、語音算法模型讓機(jī)器人性化

女神湯唯之所以能完成高質(zhì)量的語音包，語音合成技術(shù)功不可沒，在龐大的道路信息和交通數(shù)據(jù)之下，誰也無法通過直錄的方式通通記錄，這時(shí)就需要靠語音系統(tǒng)來支撐。

以湯唯語音包來說，就是先錄制湯唯聲音特點(diǎn)的第一手資料，錄制的語句包含一些常見的導(dǎo)航提示語句和一些覆蓋到常見的中文發(fā)音的句子。

其實(shí)無論語音還是文字，在計(jì)算機(jī)看來都是數(shù)字化的，語音合成模型的任務(wù)就是要建立這兩組數(shù)字之間的關(guān)系，通過一系列的計(jì)算，將文本的輸入轉(zhuǎn)化為語音的輸出。首先需要建立一個(gè)神經(jīng)網(wǎng)絡(luò)的模型，去學(xué)習(xí)湯唯錄制的語音和錄音文字之間的映射關(guān)系，就好比讓一個(gè)不會(huì)發(fā)音的孩子學(xué)湯唯說話。而在合成時(shí)，它就可以讀取導(dǎo)航語句，并大聲朗讀出來了。

AI浪潮之下，語言合成才是語音技術(shù)的高地

使電腦具有類似于人一樣的說話能力，是當(dāng)今時(shí)代信息產(chǎn)業(yè)的重要競爭市場，不過大家的注意力多集中在語音合成之外。

1、差點(diǎn)被忽略的“黃金”場景

目前，語音技術(shù)的應(yīng)用多為了語音喚醒和交互，在智能硬件和軟件上都有很多典型應(yīng)用——智能音箱、智能電視、智能掃地機(jī)器人、百度地圖、百度輸入法等等。但不可否認(rèn)的是，智能硬件的側(cè)重仍在于“語音識別”，對于“語音合成”的應(yīng)用有，可還不夠深。

語音合成本是把文本經(jīng)一系列計(jì)算處理后輸出對應(yīng)音頻，通過機(jī)械的、電子的方法產(chǎn)生人造語音技術(shù)。因?yàn)橥昝赖娜藱C(jī)交互體驗(yàn)無法忽略“說”的環(huán)節(jié)，所以語音合成的重要性日益凸顯。

從早期的機(jī)械化語音合成開始發(fā)展至今，語音合成的應(yīng)用場景也經(jīng)歷了較大的轉(zhuǎn)變，以前語音合成應(yīng)用都是在相對單調(diào)的場景，現(xiàn)在應(yīng)用場景更加復(fù)雜，對于語音合成技術(shù)的要求自然變得更高。

例如，在有聲讀物方面，用戶需求越來越個(gè)性化，單調(diào)的機(jī)械聲已經(jīng)完全不夠；在機(jī)場、車站廣播等服務(wù)行業(yè)，需要的是溫柔、甜美的音質(zhì)；在辦事機(jī)構(gòu)、窗口機(jī)關(guān)又需要嚴(yán)謹(jǐn)、有力的聲音。而百度地圖上線湯唯語音，也是給在路上的用戶更加磁性、知性的嗓音。

在外部，車內(nèi)空間顯然是一塊“寶地”，車內(nèi)空間的交互可以說是市場剛需，截止到2018年9月，全國機(jī)動(dòng)車保有量已經(jīng)達(dá)到了3．22億輛，機(jī)動(dòng)車駕駛?cè)藬?shù)超過了4億人，交互價(jià)值巨大。

百度地圖等加速車內(nèi)空間交互，是將傳統(tǒng)的“室內(nèi)交互”做了外延，給百度帶來的也不僅僅是用戶層面的拓寬，更體現(xiàn)出百度搜索之外的野心。

2、技術(shù)上，語音合成一直是語音技術(shù)的高山和壁壘

語音合成可以說是人工智能的“嘴”，是人機(jī)交互的基礎(chǔ)，一個(gè)沒有“嘴”的人工智能何談什么交互？

就現(xiàn)階段而言，語音識別已經(jīng)不再是語音技術(shù)的關(guān)鍵問題，很多產(chǎn)品的語音識別率都到達(dá)了95％以上。但在語音生成上，能讓機(jī)器說的話與人類說出來的話相近依舊很難，即便是一些簡單的詞組，你我也能一耳就聽出是機(jī)器合成的還是真人播報(bào)。

如果將語音合成技術(shù)拆解，可以分為文本分析、韻律分析和聲學(xué)分析三個(gè)部分，每一個(gè)部分都是技術(shù)難點(diǎn)。首先需要對文本進(jìn)行解析，對文本的語言、字符進(jìn)行分析，提取出文本特征；接著在文本信息的基礎(chǔ)上，要判斷文本信息字符間奏、長度、頻率等多種特征；然后通過聲學(xué)模型實(shí)現(xiàn)從前端參數(shù)到語音參數(shù)的映射，最后通過聲碼器合成語音。

而且，目前主流的語音合成方法為統(tǒng)計(jì)參數(shù)語音合成和波形拼接的語音合成，統(tǒng)計(jì)參數(shù)語音合成由前端文本分析、統(tǒng)計(jì)參數(shù)模型和聲碼器三個(gè)部分組成，對語料庫的時(shí)長要求較低且在合成目標(biāo)波形時(shí)具有較高靈活性，但重建出來的語音比較機(jī)械，缺乏自然度。主要為聲碼器在對語音信號建模時(shí)舍棄了語音細(xì)節(jié)，合成的語音相比原始語音丟失部分信息。

而百度地圖采用的百度語音合成系統(tǒng)，可以將很多模塊用深度神經(jīng)網(wǎng)絡(luò)去實(shí)現(xiàn)，有效解決了使用統(tǒng)計(jì)參數(shù)合成時(shí)所帶來的問題。

波形拼接的語音合成不使用聲碼器，直接通過拼接原始錄制語音片段來合成目標(biāo)語音，相比參數(shù)法，合成的語音更加自然真實(shí)。由于直接面向語料庫操作，故對語料時(shí)長和基元種類具有較高要求。

當(dāng)然，當(dāng)語音流暢度達(dá)到人們預(yù)期時(shí)，也并不是完結(jié)，音質(zhì)、自然度和情感等要素也依舊需要攻克。

就拿漢語語音合成來說，目前在單字和詞組一級上，合成語音的可懂度和自然度已基本解決，但是到句子乃至篇章一級時(shí)其自然度問題就比較大。

比如，國內(nèi)外大多數(shù)語音合成研究是針對文語轉(zhuǎn)換系統(tǒng)，且只能解決以某種朗讀風(fēng)格將書面語言轉(zhuǎn)換成口語輸出，缺乏不同年齡、性別特征及語氣、語速的表現(xiàn)，更不用說賦予個(gè)人的感情色彩。

3、比起聽得清和聽得懂，“說得好”要求的是更懂人

正如上文所提到過的，目前大部分產(chǎn)品的語音識別率都達(dá)到了95％以上，卻無法像人類一樣表達(dá)，其根本原因就是還“不懂人”。

何為“懂人”？我們?nèi)伺c人之間可以從對方的音量、聲調(diào)、語速、用詞等方面聽懂對方的要求、情緒、心情、狀態(tài)，這就是所謂的“懂人”。

說得直白點(diǎn)就是“情感表達(dá)”，這是目前而言語音合成技術(shù)需要攻克的關(guān)鍵要素。

想要達(dá)成這一目標(biāo)，針對普通生活場景的語音合成是提高情感表達(dá)的最佳方式。目前使用語音合成技術(shù)播報(bào)下天氣或者閱讀簡訊，無疑能合成出完美的語音，但遇到生活化的場景，或者在特定氛圍之下，語音合成的效果就會(huì)降低很多。一方面由于系統(tǒng)對韻律信息的捕獲不準(zhǔn)確，另一方面由于生成的聲學(xué)參數(shù)存在誤差。當(dāng)語音合成可以完美消化各類生活化的語境時(shí)，其應(yīng)用場景將得到極大的拓寬。

另外，在語音合成的應(yīng)用中，大多都是單人、單語言、單語音，如何能由單變多也是語音合成應(yīng)用中的一大困擾。在“3單”語境的限制下，語言合成技術(shù)難以完成應(yīng)用突破，而目前一些解決“3單”語境的解決方案也不夠完美，或多或少都存在瑕疵，并且也沒有足夠的語料素材來進(jìn)行支撐。

如何使計(jì)算機(jī)算法能夠自適應(yīng)技術(shù)實(shí)現(xiàn)任意說話人、不同風(fēng)格的高質(zhì)量語音合成，如何充分挖掘不同語言的發(fā)音空間，在語料受限條件下實(shí)現(xiàn)多語言語音合成，也是語音合成現(xiàn)階段的一大挑戰(zhàn)。

百度地圖在深度神經(jīng)網(wǎng)絡(luò)技術(shù)的支撐下，已經(jīng)開始對“3單”語境作出反應(yīng)，并已收到成效，百度語音合成開始支持中文英文混讀，可以提供數(shù)十種不同音色，更支持語速、音調(diào)、音量設(shè)置。這些技術(shù)活功能上的增加，無疑將給語音合成帶來更加廣闊的想象空間。

近年來，在語音技術(shù)行業(yè)中開始流行一句話：“得語音合成者得天下”，百度地圖此時(shí)牽手國民女神，導(dǎo)航語音全量上線似乎也在卡這個(gè)時(shí)間點(diǎn)。