機器語言：Siri是如何完成牙牙學語的

　　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(chǎn)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(chǎn)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(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(nèi)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?nèi)容看起來非常像繞口令。

　　之后配音工作人員會將這些內(nèi)容錄制起來（大約要數(shù)月的時間）。這些數(shù)據(jù)再經(jīng)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(nèi)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(diào)結束，后一個是降調(diào)。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(diào)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?jīng)_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(jīng)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