您好, 歡迎來到化工儀器網(wǎng)
語音不在是人類的獨享
亞里士多德曾說,，聲音是靈魂的鏡子。聲音是人類*的表達方式，它是我們身份的一部分,。語調(diào)的抑揚頓挫可以流露出一個人的個性和情緒,。
曾經(jīng)只有人類才能說話。但是,，時過境遷,，在過去的20年里，合成語音發(fā)展神速,，目前,，合成語音已經(jīng)成為數(shù)字技術(shù)和相關(guān)經(jīng)濟產(chǎn)業(yè)的重頭戲了。合成語音是人機交互的基石,，它賦予機器“形象”和“靈魂”,，讓機器具有“個性”。在不遠的未來,，從口袋里的手機開始,，合成語音將變得無處不在，我們甚至可能無法區(qū)分合成語音和真人語音的差別,。
語音不再是人類的獨享,。機器合成的語音已經(jīng)可以和真人的相媲美了。
競爭核心
數(shù)字技術(shù)*谷歌,、蘋果,、微軟和亞馬遜是合成語音領(lǐng)域的重量級選手，它們把大量資金投入了與合成語音相關(guān)的技術(shù)研發(fā)領(lǐng)域,。我們的智能手機已經(jīng)能夠聽懂語音指令,，并用合成語音回應(yīng)我們的問題了。
合成語音未來將會融入私人助理技術(shù),，也就是為我們服務(wù),，成為幫助我們控制家中聯(lián)網(wǎng)設(shè)備的人工智能。它們總是能隨時隨地傾聽我們的愿望,、滿足我們的需求,。像谷歌助理I/O、蘋果的Siri,、微軟的小娜（Cortana）和亞馬遜的Alexa就是這樣的例子,。
在*范圍內(nèi)，有許多大學(xué)的實驗室都在研究這個課題,，例如英國劍橋大學(xué),、愛丁堡大學(xué)、美國的卡耐基梅隆大學(xué),、日本的奈良先端科學(xué)技術(shù)大學(xué)院大學(xué),。在這些選手中,，位于法國巴黎的聲學(xué)、音樂研究和協(xié)作學(xué)院（簡稱Ircam）憑借對技術(shù)創(chuàng)新和文化藝術(shù)的獨到融合,，脫穎而出,。這所學(xué)院的獨到之處是已經(jīng)將合成語音應(yīng)用到了娛樂和內(nèi)容生產(chǎn)（如音樂、電影和電子游戲）的多個領(lǐng)域中,。
雖然數(shù)字領(lǐng)域的*和一些實驗室一直對標(biāo)準(zhǔn)式合成語音的應(yīng)用感到沾沾自喜,，但是Ircam的研究人員卻另辟蹊徑，從80年代開始就致力于讓合成語音更具真人的特征：他們讓合成語音也具有聲紋,、語氣,、個性和表現(xiàn)力。
近10年里,，Ircam的聲音分析和合成團隊也取得了重大突破,。得益于該團隊的研究，合成語音變得不再呆板機械,，變得更加自然,、更富有表現(xiàn)力。而撐起這個質(zhì)的飛躍的,，是信號處理,、機器學(xué)習(xí)和語言學(xué)的一系列進步。
目前的語音分析和合成算法已實現(xiàn)升級,，它們能夠更加忠實地還原人的聲紋,。另外，我們對語音的韻律,，以及它和句法之間的關(guān)系有了更深入的了解,，這讓合成語音變得更加自然。
后,，新近引入的機器學(xué)習(xí),，以及計算能力的快速提升都對相應(yīng)技術(shù)的飛速發(fā)展起到了決定性的作用。目前,，在語音數(shù)據(jù)庫中,，每個樣本都存儲著一個人數(shù)小時的錄音，而一個數(shù)據(jù)庫通常會儲存著數(shù)以千計的樣本,，也就是數(shù)以千計的人聲。正是由于這些積累,，現(xiàn)在的機器已經(jīng)能夠像人一樣開口說話了,。
現(xiàn)在，有許多制片廠都在使用Ircam研發(fā)的軟件,。利用這些軟件,，人們能夠定制語音的聲紋,、語氣、身份和個性,。比如,，這些軟件能夠輕而易舉地將男人的聲音變成女人的，把年輕人的聲音變得老態(tài)龍鐘,，或是將老人的聲音變得年輕,。
用這類軟件也能把一個人的聲音變成另一個人的。我們的計算機和智能手機就能通過這個軟件合成生動自然,、具有個性的語音,，它們甚至能夠幫我們朗讀任何文本。
未來,，我們還能讓無法開口說話的人也發(fā)出聲音,，或者讓機器模仿一個人的聲音說外語。以后,，我們就能像換發(fā)型一樣隨意變聲,，或者和擁有嗓音的機器人自然流暢地交談。
這些科技進步無疑會成為科技和商業(yè)競爭的核心,，還有倫理討論的焦點,。而要實現(xiàn)這些進步，研究人員必須先理解人類語音的*性,，并做到善加利用,。
雕刻語音
每個人的語音身份由兩個要素構(gòu)成：音色和韻律。要改變一個人的聲音,，就要對這兩個要素進行建模,，這樣才能復(fù)制或者改變一個人的語音。2010年,，Ircam的研究人員就研發(fā)了一款名為IrcamTools TRAX的軟件,，它就能實現(xiàn)這樣的功能。
這款軟件能夠?qū)︿浺艋蛘咴捦仓械穆曇粜盘栠M行數(shù)字處理,。在調(diào)低或者調(diào)高音高后,，聲音就會變得更低沉或更尖銳。它也能進行數(shù)字濾波,，改變語音的音色,。通過這款軟件，使用者能夠輕而易舉地讓聲音變性,，或者把中年人的聲音變成少年或是老年人的,。
實際上，由于具有不同的生理特征（身高,、身材胖瘦）,，男性和女性發(fā)音器官也有差異,，這會影響他們發(fā)出的聲音。男性的聲帶更長（17~25毫米）,，聲道也更長（平均17厘米）,。這樣的生理特征使得男性的音高更低（70～160Hz），音色也更低沉,。
女性的聲帶（12.5～17.5毫米）和聲道（平均14厘米）均更短,。因此女性的音高更高（130～300Hz），音色更“尖銳”,。另外,，一個的人的聲音和身體一樣會隨著年齡的增加而變化。一個人的嗓音在青少年時更尖細,，成年以后音色就會變得低沉,，到了老年卻又會變得尖細。
通過這些基本原理,，軟件可以調(diào)整聲音的音高和音色從而讓人產(chǎn)生錯覺,，以為說話的人變了性別或是改變了年紀。想要復(fù)制老年人*的嗓音（比如顫音）,，就需要對數(shù)字處理做進一步的修飾,。上了年紀的人的發(fā)音器官一般不太靈便：他們的聲帶松弛，因此說話時喘鳴聲更重,，而且時常會失聲發(fā)出顫音,。
讓人驚訝的是，這種軟件能夠創(chuàng)造出不是天然存在的聲音,，比如它能讓獅子說人話,。這種的秘訣在于將人的語音和獅子的吼叫聲混合在一起，用獅子的聲帶聲紋特征代替人的,，同時保留人的共鳴腔聲效,。處理后的音效簡直讓人目瞪口呆：我們可以清楚地聽到一個人在說話，但是他的聲音里卻帶著獅子的喘鳴和低吼聲,。
電影和動畫行業(yè)的制片工程師經(jīng)常使用這種方法來處理演員的聲音,，或者為虛構(gòu)角色配音。現(xiàn)在,，這些工程師的技術(shù)已經(jīng)更進一步,，能夠復(fù)制演員或者歷史人物的聲音了。在Ircam,，經(jīng)常有人請求我們用留存的聲音資料復(fù)活故人的聲音,。
用別人的嗓子說話
韻律和音色可以用來區(qū)別不同人的特色。但是，當(dāng)一個人模仿別人說話時,，這兩個嗓音特征會起到什么樣的作用？當(dāng)一個人（愛麗絲）模仿另一個人（伯納德）說話時,，其實她主要模仿的是伯納德語音的韻律,。
要想模仿別人的音色不是一件容易的事。因為人的聲道尺寸是由生理決定的,，每個人都不同,。所以，即使是才華橫溢的模仿高手,，也無法地復(fù)制另一個人的音色,，僅能大致模仿他說話的韻律。
想要真實地還原一個人的嗓音,，就必須復(fù)制他的音色,。首先，要用伯納德（被模仿者）的錄音建立一套“語音面具”,，然后為愛麗絲（模仿者）的聲音戴上這種“語音面具”,。
這樣看來，要復(fù)制一個人的嗓音,，就必須先收集這個人的錄音,，組成一個數(shù)據(jù)庫。這些數(shù)據(jù)會被切成音素,，做進一步分析,，然后組合出被復(fù)制者的聲學(xué)特征。具體來說,，每個音素都有一個“語音面具”（一種聲音濾波器）,，它能夠調(diào)節(jié)聲音中不同頻率成分的強度比例。
在轉(zhuǎn)換聲音身份的時候,，只需要將“語音面具”復(fù)制粘貼即可,。針對愛麗絲的每個音素，系統(tǒng)都會在伯納德的聲音數(shù)據(jù)庫中挑選相應(yīng)的音素濾波器,，從而進行替換,。
在愛麗絲的聲音數(shù)據(jù)庫中，相應(yīng)的算法會挑選使轉(zhuǎn)換聽起來逼真的聲音濾波器序列,。在經(jīng)過一系列操作和處理后,，愛麗絲的聲音就有了伯納德的音色。
這個技術(shù)面世后的應(yīng)用就是在電影中再現(xiàn)瑪麗蓮·夢露（Marilyn Monroe,，《瑪麗蓮》（Marilyn）的嗓音,，隨后，又在多部電影中重現(xiàn)了多位歷史人物的對白,。
比如要模仿喜劇演員路易·德菲內(nèi)斯,，演員就要模仿他的韻律按照劇本的人物臺詞表演,，此時的聲音會被分段記錄下來。與此同時,，研究人員還利用德菲內(nèi)斯的歷史錄音建立起一個長達十分鐘的數(shù)據(jù)庫,。
通過這個數(shù)據(jù)庫和剛才的一系列處理手段，研究人員就可以利用德菲內(nèi)斯的聲音特征將演員的音色轉(zhuǎn)化成他的樣子,。而德菲內(nèi)斯發(fā)出的聲音就像是近才錄的,，但其實，聲音的原材料都來自他在70年代拍的電影,。
聲音拼圖
Ircam 的研究人員通過合成語音拓展了語音處理的邊界?，F(xiàn)在，用錄音改變一個人聲音的技術(shù)已經(jīng)成熟,，如何用合成語音來朗讀任意文本卻成了大的問題,。
要考據(jù)合成語音的歷史，可以追溯到18世紀,。那時已經(jīng)出現(xiàn)了汽車和可以發(fā)音的機器了,。進入20世紀后，電力的出現(xiàn)讓這些機器變得更先進,、更,，1939年由貝爾實驗室制造的VODER（語音操作演示器）就是其中一例。當(dāng)計算機出現(xiàn)后,，一切又變得自動化了,。
目前，語音合成系統(tǒng)已經(jīng)*實現(xiàn)了自動化,，它們能夠讓數(shù)字聲音具有個性,。語音合成在本質(zhì)上依賴的是語音數(shù)據(jù)庫，如果要生成合成語音,，只需要幾個小時的真人錄音就可以了,。
語音合成和語音轉(zhuǎn)換不同，它不僅要轉(zhuǎn)換現(xiàn)有語音的特征,，還要用基礎(chǔ)的語音元素完整地重塑語言,，朗誦任何文本。目前大多數(shù)合成器的基本工作原理都是“基元選取”（unit selection）,，這非常類似于拼圖游戲,。
每個基元是一段有特定韻律和音色的口語語料（包括音素、音節(jié),、詞語等）,。語料數(shù)據(jù)庫就像拼圖的集合，要有盡量豐富的語料才能滿足合成語音時多變的需要。
在為一段文本合成語音時,，要找到與文本對應(yīng)的語料片段,，從而進行組合。重組的過程就像跋山涉水一樣麻煩：算法要先從數(shù)據(jù)庫中挑選出大量的語料片段,，但是語料本身有各自的聲學(xué)特征,，無法直接簡單地拼湊到一起。要合成語音一段語音,，就要盡量找到那些前后連貫的語料片段。
為了讓合成語音聽起來自然,，既要保證音素之間配合得天衣無縫,，還要保證文本本身易于被理解。另外,，還要考慮到音素整體表現(xiàn)出的音樂感,，也就是韻律。
語音還原的質(zhì)量主要取決于數(shù)據(jù)庫的容量：每段口語語料的素材數(shù)量越多,，音素間的連接就越流暢,、韻律就越豐滿。后,，成品還要經(jīng)過算法做具部潤色,，這樣才能讓語料之間的連接沒有明顯瑕疵，讓斷句更流暢,。
2000年后,，在語言學(xué)、信號處理和機器學(xué)習(xí)方面的進展,，使合成語音韻律的建模能力有了驚人的進步,。過去的合成語音僅僅勉強能聽，現(xiàn)在的合成語音聽起來不僅很自然,，還很有表現(xiàn)力,。
天然和人工之間的界限變得模糊了。在機器學(xué)習(xí)的幫助下,，可以用上千種不同的語音創(chuàng)造出“平均”合成語音,，當(dāng)然，也可以用幾個不同人的語音制造出混合語音,，或者將某人的口音,、情緒和說話的風(fēng)格移花接木到另一個人身上。
這些處理的原理與“基元選取”是類似的,，但具體的操作有很大的差異,。這類方法并不是采用真人錄制的口語語料直接合成語音，而是用一個統(tǒng)計模型來表示一個人的語音。這個統(tǒng)計模型是對語音的數(shù)學(xué)抽象,，通過它可以復(fù)制和生成合成各種各樣的語音,。
利用統(tǒng)計分布規(guī)律（正態(tài)分布的平均值和方差），就能為每一個音素在聲學(xué)空間（以音高,、持續(xù)時間,、音強和音色為參數(shù)的參數(shù)空間）中的分布建模。
選取的語音參數(shù)會隨著說話的進程變化而變化,，為了給這個過程建模還需要用到關(guān)于時間序列的模型（如隱馬爾可夫模型）,。在這類模型里，每個音素都會被分割成一系列“狀態(tài)”,，比如開始,、中間、結(jié)束,，而每個狀態(tài)都有各自的統(tǒng)計分布,。
通過聲學(xué)空間統(tǒng)計參數(shù)的組合、插值和自適應(yīng),，這套系統(tǒng)可以對聲音的各項抽象特征進行計算,。比如，我們能夠利用兩個真人語音的統(tǒng)計參數(shù)制造出混合語音,，也可以將幾千個人的語音組合成平均語音,。
這種技術(shù)進步使文本合成語音的效率發(fā)生了翻天覆地的變化：它不再依賴于真人語音，只需要幾分鐘長度的錄音就可以快速合成新的語音,。
所以,，即便這個人已經(jīng)無法出聲，只要利用幾分鐘錄音資料就能再現(xiàn)他的聲音,。而且,，就算不會說外語，現(xiàn)在的技術(shù)已經(jīng)能實現(xiàn)用本人的聲音合成外文語音,。
雖然合成語音已經(jīng)取得了令人矚目的成績,，但是，還有進步的空間,。在合成語音的過程中,，始終需要人力輔助才能得到優(yōu)良的合成效果。而現(xiàn)在,，人工智能,、人工神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)和大數(shù)據(jù)領(lǐng)域的變革，都為語音合成注入了新鮮的血液,。
在人工神經(jīng)網(wǎng)絡(luò)技術(shù),，或者說神經(jīng)網(wǎng)絡(luò)中,，學(xué)習(xí)的硬件設(shè)備或者虛擬設(shè)備是由一層一層的“神經(jīng)元”構(gòu)成的，每個“神經(jīng)元”都有兩種可能的狀態(tài),。神經(jīng)元之間相互連結(jié),，在學(xué)習(xí)的過程中算法會對“神經(jīng)元”的特征進行調(diào)整。
在70年代,，神經(jīng)網(wǎng)絡(luò)被引入到了語音處理中,，當(dāng)時，人們認為這種結(jié)構(gòu)能夠模擬大腦的工作方式,，從而更好地完成機器學(xué)習(xí),。然而，神經(jīng)網(wǎng)絡(luò)的發(fā)展一度受到理論,、算法,，以及當(dāng)時十分有限的計算能力的限制。
近10年,，理論進步和計算能力的飛速發(fā)展，讓神經(jīng)網(wǎng)絡(luò)技術(shù)再次回到了舞臺,。
一些為深度神經(jīng)網(wǎng)絡(luò)（深度指的是包含多層神經(jīng)元網(wǎng)絡(luò)）量身定制的新的學(xué)習(xí)算法也逐漸出現(xiàn)在人們的眼前,。這些深度神經(jīng)網(wǎng)絡(luò)的算法非常依賴大數(shù)據(jù)。
這些技術(shù)給了人們很大的想象空間,。在未來,，我們可能會創(chuàng)造出與真人語音沒有差異的數(shù)字語音，它甚至能用任何語言傳遞信息,，我們還能根據(jù)需求給它賦予*的個性,。
在未來我們可以隨心所欲地改變自己的嗓音，我們能與聲音無異于真人的智能機器順暢地進行日常交流,。然而,，這種機器到底是天使，還是惡魔呢,？這種技術(shù)已經(jīng)引起了一部分人的反感,，也引出了這樣一個基本問題：在我們的社會中，合成語音以及人性化的機器究竟算什么,？
用多人語音合成,，或是用別人語音轉(zhuǎn)化而來的聲音究竟屬于誰？它屬于復(fù)制人嗎,，還是改造人,？或者應(yīng)該屬于創(chuàng)造它的研究者和工程師？怎樣區(qū)分合成語音和真人語音的差異,？
如果能仿造某人的語音,，怎樣鑒定語音留言的真實性,？合成語音的人格化和機器人的人形外貌一樣，也發(fā)人深思,。如果機器的聲音太像真人,，我們是否陷入了日本機器人學(xué)家森政弘提出的“kong bu谷”怪圈？