AIoT正在成為科技公司們爭搶的下一座城池。

　　2016年開始，智能手機行業紅利開始見頂，手機廠商可爭奪的存量市場不斷被壓縮，這時，硬件領域的新機會延伸到了智能音箱、智能家電，以及可穿戴設備。智能硬件也相應地成為互聯網的新入口，國內外多家巨頭已早早開始爭奪這部分還未被完全挖掘的用戶入口。

　　其中，語音識別及語音交互毫無疑問是各智能硬件最重要的控制手段之一，同時也是人工智能技術到目前為止落地最快的應用之一。

　　以智能音箱為例，僅2018年四季度，全球智能音箱出貨量增長95％達到3850萬臺，超過2017全年總量。2018年出貨量更是達到8620萬臺，同比增長100%以上。Strategy Analytics預測，2019年全球智能音箱的出貨量將超過1.34億，到2024年將增加到2.8億。

　　搜狐科技智研所沙龍第6期邀請到標貝科技CTO李秀林進行主題演講——《語音合成—引爆智能語音交互的導火索》

　　以下是演講精編：

　　李秀林：大家好，非常高興通過搜狐科技與大家溝通語音合成的一個主題，那么今天我與大家分享的題目是語音合成引爆智能語音交互的導火索。

（智研所現場）

　　首先做一下自我介紹，我叫李秀林，中國科學院聲學所博士，標貝科技聯合創始人兼CTO，負責整體語音技術框架。之前十幾年我基本都是在語音行業，之前在百度、滴滴都是主要從事語音相關的研究工作以及探索在出行互聯網行業不同的應用。

　　給大家介紹一下標貝科技，是一家專注于智能語音合成和數據服務的人工智能公司，這家公司依托自己自有的高質量的數據來開發自有的高品質的語音合成系統。我們可以提供多場景、多類別的高品質語音合成解決方案，在我們的解決方案當中我們會結合用戶的需求和我們的技術去為用戶量身定制他所需要的聲音。

　　我們先來看一下整個語音交互的市場，根據前瞻經濟學人的數據表明，近些年語音行業的發展非常快速，在2019年中國智能語音市場規模將突破200億元，2023年預計將達到600多億元，這個市場發展是非常迅速的，這也可以從一個側面反映出語音行業的火爆程度。語音交互是由三個主要的環節組成的，一個是語音合成，一個是語音識別，那么連接起來的是語義理解。通過這三項技術就可以讓我們的硬件設備有會聽、會說、會思考，具備與人交互的能力，去滿足一些真實的場景，實現AI技術的真正落地。

　　大家從樣音可以聽到，其實我們提供了不同的聲音，有不同的特點，可以為用戶去匹配不同的聲音，這也是我們這幾年所做的所思的所想的。

　　再下面介紹一個案例，為央視財經頻道所做的工作，我們提供了兩個聲音，其中一個在交易時間時段的曉鯨智能機器人，實際上從它的形象來看應該是一個小孩的形象，可能比較活潑，我們結合這個產品的特點定制了一個小孩的聲音。此外，主持人的聲音或者是她的時間非常有限，我們專門為著名的主持人李雨霏打造了她自己的聲音，也是上線了對應的產品。

（央視財經-《交易時間》欄目節選）

　　通過這些展示其實我們想陳述一個觀點，語音合成隨著技術的發展，它的合成效果越來越好，那么它在交互過程中的作用實際上是越來越重要的。所以我們說無合成，不交互，語音合成的語音是信息的載體，所有的機器反饋的信息都會通過語音的展示形式反饋給用戶。

　　另外，我們可以提供多種多樣的展現形式，讓語音不再生硬，不再呆板，變得非常靈活，可以有多種多樣的展現形態。從效果來說，它更媲美真人，讓大家在一定程度上覺得是真假難辯的一個程度。所以說通過這種即時的響應，讓語音交互變得更加即時，體驗更加好一些。

　　接下來簡單回顧一下語音合成的技術發展，在19世紀80年代，當時類似鋼琴一樣的設施，需要去彈奏才能合成出來某些特定的聲音。進入20世紀80年代之后，通過一些計算機技術可以對聲音進行編碼，通過共振峰合成的形式來合成出語音。90年代之后計算機技術發展越來越快，通過大量運算、大量的存儲可以讓語音合成的效果進一步提升，達到了一定程度上的商用可能。近期我們發現它已經進入一個自學習階段，這個階段會讓語音合成的應用更加廣泛，后面會展開解釋。

　　先來看一下在運算階段，實際上整個網絡分成幾個模塊，從圖中可以看到，利用音庫我們需要提取文本信息、基頻譜等等特征去訓練一個模型，在這個階段最主要的計算特點是基于統計特征的一些模型，包括音碼可復模型、高斯混合模型，那么有了這些模型的指導，我們一個比較常見的商用系統就是拼接合成系統就把原始的錄音切成很小的片段，在合成階段把這些片段進行有效地拼接，它的一個好處是合成的語音比較接近真人的音色，但是缺點也顯而易見，因為音庫不可能非常大，音庫的制作周期長耗費大，所以拼接出來的語音特點往往是好的地方很好，有些地方不好的時候讓人感覺很不舒服，它的拼接并不流暢。

（標貝科技CTO李秀林現場PPT）

　　從2016年開始，語音合成進入了一個非常特殊的時期，我們把它命名為自學習的階段。那么這個階段主要特點是利用神經網絡的技術，通過復雜的神經網絡模型去擬合聲音的生成過程。

　　比如在2016年WaveNet提出，給我們提供了一個新的考慮語音合成的特點，之前的語音基本都是按幀或者按照音節或者音子合成的，在這個框架下實際是逐點預測，一個16k采樣率的語音，每秒的語音需要對應16000次的復雜運算才能生成語音，但是它的音質大大改善，遠遠超出之前的系統。

　　接下來2017年有端到端的Tacotron的方法，直接文本輸出語音，在這種模式下又讓很多機器學習的研發人員加入到語音合成的領域，從而使得這個行業的發展更加快速。

　　在2018年端到端的基礎上神經網絡聲碼器大行其道，使得端到端加上神經網絡聲碼器的方案受到廣泛采納。

　　從上述這三個主要的模型來看，整個的合成效果都是得到了很大的提升，它也為我們開拓了一些新的應用領域的可能。

　　總結一下，就是傳統的語音合成方法，音庫制作、整個的系統制作流程都很復雜，成本比較高，周期比較長，而且還有一些聲音的不盡如人意的情況，但是神經網絡的方法其實也不是盡善盡美，我們現在看到的是神經網絡的方法需要大量的計算、大量的數據，這些在滿足大量數據的情況下我們發現會有一些問題。

　　因為我們現在語音合成的數據基本是單個人去采集聲音，但是單個人采集聲音的量往往不會太大，可能幾萬句話就是一個非常大的數據庫了。這種情況下我們發現它有些問題，所以我們提出一個解決的辦法，我們是在端到端的基礎上用它最核心的部分，也就是Attention的機制，整個系統我們不用端到端，希望文本的部分用文本的屬性，語音的部分用語音的屬性，這樣的話我們可以充分利用我們文本的數據積累去改善整個合成效果。

　　同時，在真正落地的時候，GPU在生產環境下落地其實是有一定困難的，我們也做了針對性的優化，讓它在CPU情況下能夠進行高效的合成。我們所做的具體的就是把輸入數據的緯度從數萬維降低到數十維，我們對文本之前積累的數據模型進行了非常好的整合與神經網絡的后端進行了一個適配，達到了一個比較好的效果。

　　接下來說一下產品技術體系，因為我們比較專注，做的主要是數據和語音合成，我們在技術層面把控好我們整個數據生產流程，從數據的設計、采集加工和質檢，保證AI所需要的各項數據都是能夠高質量對模型訓練非常有價值，結合我們的算法、模型和架構我們將這些數據轉換成可以直接落地的技術形態。

（標貝科技CTO李秀林現場PPT）

　　根據上面的技術和產品，我們實際上構造了三位一體的競爭優勢，也就是依托我們的核心數據壁壘以及我們的聲音超市、明星語音IP庫等等。

　　這就是我們聲音超市的一個界面，用戶可以從這里面直接體驗不同的聲音，去選擇自己所喜歡的音色。到目前為止，我們在合成方面已經積累了超過三千小時的合成數據庫，合成數據庫的錄制加工其實是非常復雜，對發音人的音色、一致性、環境等等都會有非常高的要求，那么后期還需要有文本層面的聲音層面的各種處理環節。

（標貝科技CTO李秀林現場PPT）

　　現在語音條目已經超過了兩百萬條，定制庫已經達到了兩百多個，包括中文、英文、韓文等不同的語言，每種語言又有不同的風格不同的年齡特點。整體來說，在合成數據方面準確率可以達到99.5%的標注水平，在識別方面我們的量更大一些，準確率也能達到99%。

　　我們認為核心市場其實有五個，泛娛樂、智慧教育、智能客服、智能家居、有聲讀物，這五個方面目前我們也有諸多探索，也取得了一些比較好的成果。

　　語音合成我認為或者說我們標貝科技覺得現在走入一個新的階段，在這個階段不是說功能性的，功能性的時代已經過去了，語音合成功能并不稀奇，現在最主要的是說我們需要讓用戶有更多的可選擇性，需要滿足個性化的需求。