讓虛擬歌手為你唱響你想聽的任何歌曲，讓自己的聲音錄入車載導航為你指明一路方向……智能語音技術正在詮釋我們對於聲音的各種天馬行空的構想。
11月2日，著名搖滾樂隊披頭士發布了一首創作於1970年代的「新單曲」，這首歌曲藉助人工智慧技術，將已故歌手約翰·列儂的聲音從四十多年前模糊的錄音中清晰分離出來，與樂隊其他成員完成了一場「跨越時空」的相聚，引得樂迷大呼「感動」。智能語音技術在近年來不斷發展，一步步融進我們的日常生活，未來還能夠給我們帶來怎樣的期待？
從生活場景窺見智能語音魅力
在南京新街口熙熙攘攘的街道上，打開導航軟體，「前方十字路口請直行。」與以往不同的是，這次耳邊導航的聲音不是系統語音，而是令人無比熟悉的自己的聲音。從明星、虛擬人物都可以在你耳邊伴你出行，再到錄製自己的聲音自製導航語音包，這可能是廣大民眾對於智能語音技術最具象化的體驗之一。
打開「百度地圖」App的「語音包」功能，可以選擇用3-9句話在5分鐘內快速生成個人語音包，也可以錄製100句話，生成「現場級高品質語音包」，記者體驗發現，錄製的語句越多，生成的語音就更加符合本人的音色，也更加自然，減少了機械感。
「百度為實現語音定製，在AI技術領域獨創了風格遷移技術Meitron模型。」百度智能駕駛事業群市場總經理、首席品牌官王翀介紹，該模型能夠根據一個人的聲音特徵，合成出不同的講話風格、情感模式；甚至能夠依靠3-9句話這樣的少量樣本語音，合成符合一個人講話特徵的音庫，從而讓個性化語音合成的定製門檻大大降低，用戶使用起來操作非常簡單、快捷。
從導航語音包到車載助手，隨著技術變遷，智能語音給大眾帶來的新體驗也層出不窮。「以前車內主要使用的交互形式是『命令式交互』，就像是語音遙控器，用戶通過語音給車機發出一道指令，它按照你的指令完成任務。但大模型上車後，人車交互的方式會從『命令式』升級到『對話式』，用戶直接表達需求，系統根據它的分析和理解，調動應用資源進行需求滿足。」王翀表示，現在，車輛搭載的智能語音可以幫助用戶完成行程規劃、景點推薦、娛樂陪伴等功能，從限定領域、限定意圖的語音交互，發展成為非限定領域交互的通用人工智慧。
在聲音中「去蕪存菁」或「無中生有」
伴隨智能語音技術的發展，其應用場景正在不斷豐富，除了在車載場景的應用，智能語音還在智能家居、智能教育、智能可穿戴設備、智能客服、遊戲娛樂等多個領域大展拳腳。根據德勤數據2021年發布的行業報告，智能語音應用於日常生活和特定場景的需求比例正在不斷擴張，預計2030年消費級應用場景超過710億元，企業級場景將達到740億規模。
上海交通大學計算機系教授、思必馳公司聯合創始人俞凱介紹，目前智能語音技術有幾種典型的落地場景，一是語音識別、語音轉寫為主的應用，比如會議轉寫系統，不僅能將語音記錄下來，轉寫為文字，還能分辨出每一個講者；二是偏語音合成類的應用，比如常見的短視頻配音、車載系統、智能家居系統中的語音播報等；三是對話類機器人，是集合語音識別、自然語言理解、語音合成等技術的綜合系統。
「近幾年，智能語音明顯出現大規模應用的場景，比如大型會議、電視節目上的實時字幕系統，同時，智能硬體的語音交互化成為發展趨勢，在3-5米的遠場場景控制電視、冰箱等智能家電也成為可能。」俞凱說。
在大眾的傳統認知中，會認為語音識別、語音合成等不同的技術路線象徵著不同的技術含量。俞凱表示，不同的技術路線，其實各有需要攻堅克難的「坎兒」，在技術含量上難分伯仲。「以語音識別為例，語音識別是將聲音轉成文字，普通人說話都會包含文字信息，因此這項技術是提取話語中的共性信息。如果是在高噪音、高回聲這樣的複雜場景，語音識別就會變得很複雜。而語音合成，則是將文字轉為聲音，要做到『無中生有』，這項技術的複雜度在於要做到逼真的、個性化的合成，會需要添加文字之外的『弦外之音』，包括情感、說話的風格等等。」俞凱表示。
而學術界、產業界對於各項技術也有各自的判斷標準，對於語音識別，主要看識別文字的錯誤率、說話人的識別的精準度；而對於語音合成，則依靠聽者更為主觀的判斷，往往會小範圍地組織一批測試人員進行主觀聽測打分，最終將分數平均下來，形成1-5分的MOS（平均主觀意見分）分，不僅判斷聲音的自然度，也會判斷合成聲音和採集目標人的相似度。
科研走向產業的爬坡過坎
隨著我國智能語音產業進入規模化發展階段，如何加快關鍵技術研發和產業化，成為業界的關注焦點。「從技術研發到產品落地的過程中，還面臨著諸多挑戰。」俞凱表示，「第一，在技術研發中，在技術測試時使用的固定場景，和真實使用的場景往往是差別巨大的，比如語音識別，在測試場景中，環境干擾較小，而真實場景中可能有多個人同時說話，且數據量更小，情況更加複雜。第二，我們要關注的不僅是模型或系統本身識別和合成的性能，更要關注它的效率，但如果一味追求效率，技術就會受到很多限制，要兼顧效率和性能，也是一種『戴著鐐銬跳舞』。第三，智能語音系統不僅要求單項技術做得好，更要求系統集成能力好，要讓一個對話機器人『聽得懂又說得出』，要涉及語音識別、自然語言理解、語音合成等技術環節，需要連成一個完整的系統，實現平滑的功能輸出，同時更要為將來的大規模應用，在效率和成本上探索更優解。」
促進智能語音技術與產業深度融合，離不開政策支持。近年來，我國系統布局人工智慧科技創新，建設18個國家新一代人工智慧創新發展試驗區和32個開放創新平台，其中，「語言計算國家新一代人工智慧開放創新平台」就由位於蘇州的思必馳科技股份有限公司承建。江蘇作為較早布局人工智慧產業的省份，在人工智慧基礎設施建設方面也鑄牢了堅實的基底，2022年，長三角首個國產技術算力中心——南京鯤鵬·昇騰人工智慧計算中心落戶江北新區，為人工智慧企業和創新團隊提供算力支持。
面臨智能語音技術面臨的研發和產業化挑戰，建設良好的產業生態是至關重要的。「如果能將語音交互、合成識別、自然語言處理大模型等各種各樣的應用場景進行推廣，很多問題就能迎刃而解。」
俞凱表示，目前生活中還有很多場景沒有實現人工智慧的運用，但應用潛力巨大，「很多具體場景的落地，還需要政府的支持和推動。比如目前政務一網通辦的熱線電話，很多時候都需要等待，如果未來政務系統如果能夠採用大模型配合語音識別、語音合成，技術就能更好、更快地服務千家萬戶。」另外，「如何在法律法規上做好准入，做到創新和安全的平衡，讓創新環境變得更加平滑，未來也是大有可為。」
新華日報·交匯點記者 張宣 楊易臻
