0
| 本文作者： 趙晨希 | 2019-03-05 16:37 |
春節(jié)期間，央視新聞新媒體推出了一款交互產(chǎn)品《你的生活，AI為你唱作》，該款產(chǎn)品是央視新聞聯(lián)合微軟全新打造的移動(dòng)互聯(lián)網(wǎng)交互產(chǎn)品?！赌愕纳睿珹I為你唱作》融媒體交互產(chǎn)品利用了微軟智能云，包括計(jì)算機(jī)視覺(jué) (Computer Vision)、人臉識(shí)別（Face Recognition）、自然語(yǔ)言處理（NLP）、定制語(yǔ)音（Custom Voice）等業(yè)內(nèi)領(lǐng)先的AI技術(shù)。
首先，在用戶(hù)上傳圖片之后，計(jì)算機(jī)視覺(jué)和人臉識(shí)別等技術(shù)將對(duì)照片內(nèi)容如環(huán)境、人物、顏色、表情、主題等進(jìn)行分析；然后基于對(duì)照片的綜合理解，智能歌詞創(chuàng)作系統(tǒng)會(huì)自動(dòng)譜寫(xiě)符合該照片內(nèi)容的不同的歌詞；最后，由語(yǔ)音合成技術(shù)模擬的央視主持人康輝或微軟智能女聲曉曉會(huì)根據(jù)歌詞內(nèi)容結(jié)合配樂(lè)伴奏進(jìn)行生動(dòng)的演唱。用戶(hù)就這樣，得到了自己專(zhuān)屬定制的MP3歌曲。
根據(jù)官方數(shù)據(jù)統(tǒng)計(jì)結(jié)果，《你的生活，AI為你唱作》在央視新聞新媒體各平臺(tái)上線僅2小時(shí)，用戶(hù)參與量就超過(guò)了300萬(wàn)人次，截至2019年2月8日，在各平臺(tái)閱讀量3800萬(wàn)，利用AI聲音創(chuàng)作視頻閱讀量3500萬(wàn)，微博相關(guān)話題閱讀量2700萬(wàn)，AI相關(guān)產(chǎn)品在央視新聞各賬號(hào)總閱讀量已超過(guò)1億。以上數(shù)據(jù)直觀的顯示出，該融媒體產(chǎn)品的受歡迎程度。
AI應(yīng)用產(chǎn)品大規(guī)模爆發(fā)，正值新舊媒體交替，融合發(fā)展之際。借此節(jié)點(diǎn)，近日，雷鋒網(wǎng)與其它兩家媒體，一同對(duì)參與這個(gè)項(xiàng)目的微軟多個(gè)團(tuán)隊(duì)進(jìn)行了采訪。
受訪人:
李冕 微軟（中國(guó)）資深產(chǎn)品市場(chǎng)經(jīng)理
韋福如 微軟亞洲研究院自然語(yǔ)言計(jì)算組資深研究員
李迎彤 微軟亞太研發(fā)集團(tuán)云計(jì)算與人工智能事業(yè)部微軟新視界創(chuàng)新總監(jiān)
劉越穎 微軟亞洲互聯(lián)網(wǎng)工程院語(yǔ)音組產(chǎn)品經(jīng)理
在《你的生活，AI為你唱作》融媒體交互產(chǎn)品中，無(wú)論是央視主持人康輝，還是微軟智能女聲曉曉，均采用了微軟深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成技術(shù)。微軟的深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成服務(wù)，是基于端到端的神經(jīng)網(wǎng)絡(luò)聲學(xué)模型和聲音合成系統(tǒng)開(kāi)發(fā)的。通過(guò)優(yōu)化發(fā)音和韻律，該技術(shù)可以比傳統(tǒng)的語(yǔ)音合成技術(shù)生成更逼真、更自然的人工智能聲音。其中，康輝的聲音更是用到了基于深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型的定制化語(yǔ)音技術(shù)。微軟的定制服務(wù)平臺(tái)僅需要使用說(shuō)話人的少量語(yǔ)音數(shù)據(jù)，就可以制作出高質(zhì)量的不同風(fēng)格的智能語(yǔ)音，而在這個(gè)項(xiàng)目中，康輝的說(shuō)唱風(fēng)格就是基于不到半小時(shí)的數(shù)據(jù)訓(xùn)練的。
而微軟智能女聲曉曉則是微軟面向全球開(kāi)發(fā)者和合作伙伴發(fā)布的一個(gè)通用聲音。該聲音可以通過(guò)微軟認(rèn)知服務(wù)平臺(tái)（Azure Cognitive Services）提供的API接口進(jìn)行實(shí)時(shí)調(diào)用。用戶(hù)們可以直接將曉曉的聲音用于智能助理、智能客服、智能汽車(chē)、智能朗讀等場(chǎng)景中。據(jù)劉越穎介紹，一個(gè)有趣的現(xiàn)象是，在《你的生活，AI為你創(chuàng)作》產(chǎn)品中，曉曉聲音的使用次數(shù)超過(guò)了康輝老師的次數(shù)。這也體現(xiàn)出大家對(duì)微軟智能女聲曉曉的喜愛(ài)。
微軟語(yǔ)音組提到，在《你的生活，AI為你唱作》產(chǎn)品中，主要的語(yǔ)音技術(shù)特點(diǎn)為：
產(chǎn)品化的基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音合成技術(shù)
定制語(yǔ)音合成所需訓(xùn)練數(shù)據(jù)量更少（康輝的數(shù)據(jù)不到一個(gè)小時(shí)）。
深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音合成模型讓聲音更逼真和自然
語(yǔ)音合成可以擴(kuò)展到多種說(shuō)話的風(fēng)格（比如這次的說(shuō)唱風(fēng)格）
平臺(tái)化的定制語(yǔ)音讓開(kāi)發(fā)周期更短
同時(shí)，微軟語(yǔ)音團(tuán)隊(duì)也提到了其它方面的特點(diǎn)：
靈活的部署方案：支持公有云部署；私有化部署；離線部署
多語(yǔ)言國(guó)際化支持：微軟語(yǔ)音合成支持全球49個(gè)語(yǔ)言，近80個(gè)聲音。深度神經(jīng)網(wǎng)絡(luò)支持中文和英文。
工業(yè)云計(jì)算平臺(tái)：微軟語(yǔ)音合成支持全球十幾個(gè)數(shù)據(jù)中心；深度神經(jīng)網(wǎng)絡(luò)可以達(dá)到產(chǎn)品級(jí)的實(shí)時(shí)率；支持高并發(fā)。
全系列語(yǔ)音支持：微軟語(yǔ)音可以提供整套的語(yǔ)音識(shí)別，翻譯，語(yǔ)音合成等解決方案，可以支持智能客服，翻譯等場(chǎng)景。利用微軟語(yǔ)音解決方已經(jīng)落地的場(chǎng)景如小米9手機(jī)王源聲音的定制，ROOBO智能機(jī)器人、智能會(huì)議系統(tǒng)，微軟翻譯，微軟聽(tīng)聽(tīng)文檔等。
正如李迎彤所說(shuō)，應(yīng)用要瞬間觸達(dá)到很多人的手機(jī)上。高并發(fā)且巨量的網(wǎng)絡(luò)和計(jì)算需求，背后需要強(qiáng)大的云端基礎(chǔ)設(shè)施做支持。
其實(shí)，微軟與央視新聞的合作，源于CCTV團(tuán)隊(duì)春節(jié)前在微軟新視界技術(shù)展示中心的一次參觀。用李冕的話來(lái)說(shuō)，此次合作偶然中帶著必然，一方面，AI技術(shù)不斷出現(xiàn)重大突破。例如去年9月份，微軟率先發(fā)布了企業(yè)級(jí)定制語(yǔ)音合成平臺(tái)，企業(yè)可以根據(jù)自己想要的音色來(lái)微軟的平臺(tái)上定制聲音。去年12月份，微軟在語(yǔ)音方面進(jìn)一步實(shí)現(xiàn)重大的技術(shù)突破，即深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成技術(shù)，一下子讓原來(lái)的語(yǔ)音合成領(lǐng)域，很多不能做到的都可以實(shí)現(xiàn)了。具體而言，自然度方面可以更加像人類(lèi)，語(yǔ)氣、情感方面也得到很大的提升。
另一方面，在行業(yè)“轉(zhuǎn)型”的大環(huán)境下，傳統(tǒng)媒體正向新媒體融合發(fā)展。傳統(tǒng)企業(yè)也需要與新興技術(shù)、新興產(chǎn)業(yè)結(jié)合，順應(yīng)時(shí)代的潮流，承接未來(lái)的要求。其實(shí)，無(wú)論是小米9王源定制版聲音、央視主持人康輝定制版聲音，還是去年微軟小冰入駐小米智能音箱、華為手機(jī)，均體現(xiàn)了微軟的全方位AI能力。未來(lái)無(wú)論是視覺(jué)、聽(tīng)覺(jué)，還是語(yǔ)音，在制造業(yè)、零售、媒體、教育、醫(yī)療、金融等諸多領(lǐng)域會(huì)都有相當(dāng)廣泛的應(yīng)用場(chǎng)景。
特別是，此次與央視新聞合作的融媒體產(chǎn)品，是來(lái)自微軟基礎(chǔ)研究的自然語(yǔ)言部門(mén)，以及語(yǔ)音產(chǎn)品部門(mén)、智能云產(chǎn)品部門(mén)和市場(chǎng)部門(mén)的能人們跨部門(mén)組成項(xiàng)目組，在不到一個(gè)月的時(shí)間內(nèi)與央視深度合作，實(shí)現(xiàn)了將用戶(hù)輸入圖片以Rap的方式唱出來(lái)的即時(shí)體驗(yàn)，融合了多項(xiàng)微軟的AI和云服務(wù)。
（雷鋒網(wǎng)注：微軟亞洲研究院自然語(yǔ)言計(jì)算組資深研究員韋福如）
李冕：最初當(dāng)央視提出來(lái)合作需求的時(shí)候，我們考慮過(guò)幾個(gè)方向。首先一定是用戶(hù)體驗(yàn)要好。其次，盡管時(shí)間緊，但是當(dāng)時(shí)我們想，微軟在AI的各個(gè)方面都有相當(dāng)多的技術(shù)積累，可以說(shuō)是全棧式的，那么我們把步子就邁得更大一些。其實(shí)這個(gè)項(xiàng)目里用到了很多的不同AI技術(shù)，如圖像識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別、語(yǔ)音合成等，以及微軟智能云的能力。
所以，最后我們決定在春節(jié)這個(gè)特殊的時(shí)間節(jié)點(diǎn)，和CCTV一起推出來(lái)給廣大的用戶(hù)、網(wǎng)民們一個(gè)比較好玩和溫暖的產(chǎn)品體驗(yàn)。同時(shí)，對(duì)于微軟內(nèi)部而言也是檢閱AI和云各部門(mén)快速協(xié)同和落地能力的機(jī)會(huì)，所以當(dāng)時(shí)我們就去做了這個(gè)項(xiàng)目。
韋福如：從自然語(yǔ)言方面來(lái)講，用戶(hù)對(duì)歌詞的要求是什么，有一些不同的地方。因?yàn)楦柙~講究更接近生活，朗朗上口。輸入部分，要從圖片里獲得盡可能多的信息。如最基本的要知道圖片中是什么環(huán)境，有什么物體，有沒(méi)有人，有幾個(gè)人，大概年齡等等。還有一些更細(xì)致的內(nèi)容，比如，人的性別，表情如何，顏色背景等等……我們需要把這些圖像處理的結(jié)果映射到歌詞生成用到的關(guān)鍵詞，然后再用基于深度學(xué)習(xí)的歌詞創(chuàng)作模型一句一句生成整首歌詞。但事實(shí)上，圖片識(shí)別的一般結(jié)果從數(shù)量和類(lèi)別上都很難滿(mǎn)足歌曲作詞所需要的想象力要求，這就需要我們把這些信息再處理到更細(xì)致的關(guān)鍵詞上去，然后從這些關(guān)鍵詞再生成歌詞。一般歌詞有十來(lái)句，甚至一二十句，所以需要做更多的處理。
同時(shí)，還需要基于很多數(shù)據(jù)。數(shù)據(jù)方面大家很容易想到的是歌詞，我們抓取了很多歌詞。用戶(hù)從生成的歌詞中應(yīng)該感受到了中國(guó)傳統(tǒng)文化的氣息，這其中我們使用了宋詞去訓(xùn)練模型。另外一個(gè)難點(diǎn)，大家熟悉的歌詞或者宋詞，整體上可能感物思人、傷春悲秋的比較多。但是春節(jié)期間，我們希望大家都開(kāi)開(kāi)心心。所以在這方面我們也在算法上做了調(diào)整。比如我們會(huì)盡可能讓算法生成積極一些的句子，另外包括有一些多音字，也會(huì)做相應(yīng)處理。所以從技術(shù)上來(lái)講，一個(gè)是長(zhǎng)期的積累，包括技術(shù)和文化；第二個(gè)是針對(duì)這樣特殊的應(yīng)用，做一些細(xì)節(jié)上的適應(yīng)調(diào)整。
當(dāng)然，人類(lèi)的創(chuàng)造能力是很強(qiáng)的，機(jī)器的優(yōu)勢(shì)則更多表現(xiàn)在記憶。比如韻律，一般人不太容易掌握，但是對(duì)于機(jī)器和算法來(lái)說(shuō)，則很容易做到?；A(chǔ)研究上還有很多很長(zhǎng)的路要走，AI在創(chuàng)造內(nèi)容方面的能力還是有限的。
韋福如：比較難的是，通過(guò)圖像輸出給出歌詞還是太抽象了。比如，它只知道里面有人臉，只知道里面有人，或者只知道里面有幾個(gè)人。這種情況下，去寫(xiě)歌詞非常難，所以我們需要把這些信息處理到更細(xì)致的關(guān)鍵詞上去，然后從這些關(guān)鍵詞再生成歌詞。歌詞有十來(lái)句，甚至一二十句，實(shí)際上要做更多的處理。
李冕：我們的場(chǎng)景有點(diǎn)像是小學(xué)語(yǔ)文考試?yán)锩娴目磮D作文，給你一張圖。當(dāng)然我們這個(gè)是彩色圖，那個(gè)是一張圖或者是兩張圖，然后讓你編出一個(gè)作文來(lái)。我們做的有點(diǎn)像看圖做詩(shī)，整條鏈路下來(lái)，中間的坑點(diǎn)其實(shí)是挺多的。
韋福如： SQuAD機(jī)器閱讀理解數(shù)據(jù)集，最近兩年特別火。在工業(yè)界和研究領(lǐng)域都得到了廣泛的關(guān)注。
2018年1月，微軟亞洲研究院提交的模型在EM值上以82.650的最高分率先超越人類(lèi)分?jǐn)?shù)82.304。9月份，我們的模型在EM值和F1值兩個(gè)維度上，以85.954和91.677的分?jǐn)?shù)首次全面超越人類(lèi)在SQuAD數(shù)據(jù)集上的表現(xiàn)。2019年1月，基于BERT開(kāi)發(fā)的最新系統(tǒng)又在SQuAD2.0和交互式、多輪閱讀理解數(shù)據(jù)集CoQA上持續(xù)領(lǐng)先。
劉越穎：機(jī)器的情感主要由兩方面決定：數(shù)據(jù)和算法。微軟TTS（Text to Speech）在數(shù)據(jù)采集時(shí)，與以往不同，更注重情感和意思的表達(dá)。同時(shí)，基于深度神經(jīng)網(wǎng)絡(luò)TTS的算法具有更強(qiáng)的學(xué)習(xí)能力，可以更好的還原情感，具有更高的自然度。最后，我們加入了多情感和多風(fēng)格的聲學(xué)建模，并在合成中進(jìn)行精確控制。
劉越穎：微軟在語(yǔ)音方面已經(jīng)做了很多年。包括從最開(kāi)始的參數(shù)合成、單元拼接，到這次的深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音合成，都是一步步積累下來(lái)的。此次的深度神經(jīng)網(wǎng)絡(luò)，跟原來(lái)不一樣。傳統(tǒng)的做法可以理解為每個(gè)音都拆成不同的單元，通過(guò)比較大量的音節(jié)單元的積累，就可以把不同的音節(jié)單元拼接起來(lái)，拼成一句話，但那種合成是比較機(jī)械，拼接過(guò)程中不圓順的地方就會(huì)有機(jī)器感，或者是不太自然的地方。
但是深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成，是一個(gè)端到端的語(yǔ)音合成系統(tǒng)，包含端到端的聲學(xué)和韻律建模，以及聲音合成模型?？梢钥朔鹘y(tǒng)語(yǔ)音合成系統(tǒng)的局限性，優(yōu)化口語(yǔ)和唱歌中的重音，語(yǔ)調(diào)和節(jié)奏，大幅提升了語(yǔ)音合成的表現(xiàn)力，具有更自然的韻律和更豐富的情感。
中文表達(dá)主要涉及停連、重音、語(yǔ)氣、節(jié)奏，以及對(duì)內(nèi)容的理解。微軟深度神經(jīng)網(wǎng)絡(luò)TTS可以逼真地還原人類(lèi)的換氣聲音，使得語(yǔ)音合成更具有人類(lèi)的特征。對(duì)于斷句、停頓、多音字，微軟針對(duì)不同語(yǔ)言要素，進(jìn)行有針對(duì)性的建模，然后利用端到端的聲學(xué)建模，從真實(shí)語(yǔ)音中學(xué)到最適當(dāng)?shù)谋磉_(dá)方式。
韋福如：我們會(huì)用很多不同的圖像識(shí)別技術(shù)，有數(shù)十萬(wàn)個(gè)標(biāo)簽和一百多個(gè)類(lèi)。有幾張人臉時(shí)，能知道這個(gè)人是開(kāi)心的，還是處于怎樣的狀態(tài)。以及圖像中人物的性別，我們需要拿這些信息去創(chuàng)作歌詞。拿到圖像識(shí)別信息之后，首先要把這些信息，大概歸類(lèi)到一些歌詞的關(guān)鍵詞上。第二步是再把歌詞一句一句生成出來(lái)，這個(gè)時(shí)候就用到序列對(duì)序列的生成模型。
劉越穎：現(xiàn)在是多元化、個(gè)性化的時(shí)代，每個(gè)產(chǎn)品或者是公司都希望有一個(gè)自己的形象。這個(gè)形象不僅僅是可以基于圖像層面的，也可以是基于聲音的。未來(lái)聲音定制會(huì)是一個(gè)趨勢(shì)。每個(gè)企業(yè)、設(shè)備、個(gè)人都會(huì)有一個(gè)獨(dú)特的人工智能定制聲音，讓語(yǔ)音融入生活的更多角落。此外，深度神經(jīng)網(wǎng)絡(luò)可以降低訓(xùn)練所需的錄音數(shù)據(jù)數(shù)量，這樣就會(huì)讓聲音定制更加成為可能，這是一個(gè)很好的合作點(diǎn)。
李迎彤：從云計(jì)算的角度來(lái)講，就像日常工作生活中用到的電，大家都用電，但是并不會(huì)去特別留意它的存在。我們發(fā)展云計(jì)算也是一樣，要為大家提供最好的性能，最好的體驗(yàn)。目前，微軟在中國(guó)有大量云計(jì)算的基礎(chǔ)設(shè)施投入，這次我們就運(yùn)用了云平臺(tái)數(shù)據(jù)庫(kù)和網(wǎng)絡(luò)服務(wù)。微軟目前在中國(guó)建有四個(gè)數(shù)據(jù)中心分別位于北京、上海。通過(guò)云端網(wǎng)絡(luò)技術(shù)，對(duì)不同地域的請(qǐng)求進(jìn)行快速響應(yīng)。
另外，我們覆蓋全中國(guó)的內(nèi)容分發(fā)網(wǎng)絡(luò)，可以保證用戶(hù)在體驗(yàn)的過(guò)程中，不會(huì)受到網(wǎng)絡(luò)帶寬的影響?！赌愕纳?，AI為你唱作》在央視平臺(tái)的推出，是面向全國(guó)范圍甚至更廣的用戶(hù)。所以我們要保證這些受眾都能夠有一個(gè)好的、快速、高效的體驗(yàn)。這一定是因?yàn)槲覀冊(cè)诨A(chǔ)設(shè)施上做了大量的投入，才能做到這樣的保障。
李冕：我們做了很多CDN的加速，我們的機(jī)房離主要的節(jié)點(diǎn)都很近，總體的速度還是很快的。從上傳的速度，包括并發(fā)的響應(yīng)上，在后臺(tái)看CPU跳躍的數(shù)字，我們覺(jué)得還是非常安心的。
（雷鋒網(wǎng)注：微軟亞洲互聯(lián)網(wǎng)工程院語(yǔ)音組產(chǎn)品經(jīng)理劉越穎）
比爾·蓋茨曾說(shuō)過(guò)，“語(yǔ)言理解是人工智能皇冠上的明珠”。NLP的歷史幾乎與計(jì)算機(jī)和人工智能AI的歷史一樣長(zhǎng)。換句話說(shuō)，計(jì)算機(jī)誕生那一刻，人工智能AI也應(yīng)運(yùn)而生。人工智能AI研究最早的領(lǐng)域就是機(jī)器翻譯以及自然語(yǔ)言理解。
微軟亞洲研究院自1998年創(chuàng)建以來(lái)，就給予NLP足夠的重視。微軟亞洲研究院官方數(shù)據(jù)顯示，截止2018年11月，共計(jì)發(fā)表100余篇ACL大會(huì)文章，出版《機(jī)器翻譯》和《智能問(wèn)答》兩部著作，培養(yǎng)了500名實(shí)習(xí)生、20名博士和20名博士后。
微軟開(kāi)發(fā)的NLP技術(shù)，包括輸入法、分詞、句法/語(yǔ)義分析、文摘、情感分析、問(wèn)答、跨語(yǔ)言檢索、機(jī)器翻譯、知識(shí)圖譜、聊天機(jī)器人、用戶(hù)畫(huà)像和推薦等，已經(jīng)廣泛應(yīng)用于Windows、Office、Bing、微軟認(rèn)知服務(wù)、小冰、小娜等微軟產(chǎn)品中。與創(chuàng)新技術(shù)組合作研發(fā)的微軟對(duì)聯(lián)和必應(yīng)詞典，也已經(jīng)為成千上萬(wàn)的用戶(hù)提供服務(wù)。
21年的時(shí)間里，無(wú)論是微軟亞洲研究院，還是AI行業(yè)。走過(guò)荒蕪、貧瘠的土地，逐漸迎來(lái)辛苦耕種后的種種“收獲”。那么，對(duì)于現(xiàn)在抑或?qū)?lái)，微軟TTS正在做著哪些努力？
團(tuán)隊(duì)總結(jié)：2018年12月，微軟語(yǔ)音在微軟Azure云上發(fā)布了創(chuàng)新性技術(shù)突破——端到端的深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音模型，將語(yǔ)音合成帶入一個(gè)高保真的新階段（參考英文版blog）。深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成技術(shù)讓語(yǔ)音合成的的質(zhì)量以及語(yǔ)音模型的制作又上了一個(gè)新的臺(tái)階。我們可以感受到語(yǔ)音更自然；訓(xùn)練模型需要的數(shù)據(jù)量更少；支持語(yǔ)音模型也快速擴(kuò)展到多種說(shuō)話的風(fēng)格。
微軟語(yǔ)音合成技術(shù)已經(jīng)在世界頂級(jí)期刊和會(huì)議發(fā)表了多篇論文。
LEARNING LATENT REPRESENTATIONS FOR STYLE CONTROL AND TRANSFER IN END-TO-END SPEECH SYNTHESIS, https://arxiv.org/pdf/1812.04342.pdf, accepted by ICASSP2019.
Neural Speech Synthesis with Transformer Network, https://arxiv.org/pdf/1809.08895.pdf, accepted by AAAI 2019.
A New Glottal Neural Vocoder for Speech Synthesis, https://www.isca-speech.org/archive/Interspeech_2018/abstracts/1757.html, published in INTERSPEECH2018.
韋福如：我自己不覺(jué)得NLP技術(shù)落地有多么難，實(shí)際上大家每天都在用，比如說(shuō)搜索、輸入法和翻譯，都會(huì)用到自然語(yǔ)音處理的技術(shù)。當(dāng)然，單純靠自然語(yǔ)言處理的技術(shù)驅(qū)動(dòng)的面向大規(guī)模用戶(hù)的應(yīng)用和服務(wù)，目前還不是特別成熟，這個(gè)主要還是有需求和場(chǎng)景，要能解決用戶(hù)的實(shí)際問(wèn)題。
反過(guò)來(lái)看，現(xiàn)在機(jī)會(huì)在NLP，不管是從研究上還是外部的市場(chǎng)機(jī)會(huì)。包括很多VC也在關(guān)注。從研究上來(lái)講，2018年大家說(shuō)是NLP之年，就是自然語(yǔ)言處理之年。已經(jīng)有很好的一些進(jìn)展，比如谷歌的BERT這樣的預(yù)訓(xùn)練模型啟發(fā)了新的研究課題，讓通用語(yǔ)言理解成為可能且值得深入探索和重點(diǎn)投入的研究方向。目前，在自然語(yǔ)言理解的任務(wù)上，預(yù)訓(xùn)練模型很好地緩解了標(biāo)注數(shù)據(jù)少和跨領(lǐng)域的問(wèn)題，而這正是實(shí)際應(yīng)用中遇到的實(shí)際問(wèn)題。
落地的機(jī)會(huì)也很多，在通用的理解之后，能夠比較快速地去適配到一些特定的領(lǐng)域。然后在標(biāo)注數(shù)量比較少的情況下，也可以做到不錯(cuò)的結(jié)果，這都是在實(shí)際中遇到的問(wèn)題。我認(rèn)為接下來(lái)NLP不管是研究上，落地上，還是從市場(chǎng)上都應(yīng)該是有非常多機(jī)會(huì)的。
劉越穎：傳統(tǒng)的AI語(yǔ)音合成技術(shù)存在產(chǎn)品周期長(zhǎng)的問(wèn)題。因?yàn)槁曇舨杉臄?shù)量大，時(shí)間久，成本高。經(jīng)過(guò)微軟語(yǔ)音團(tuán)隊(duì)多年來(lái)的研究和技術(shù)更新，目前已經(jīng)率先實(shí)現(xiàn)了平臺(tái)化、產(chǎn)品化的語(yǔ)音合成服務(wù)。首先，深度神經(jīng)網(wǎng)絡(luò)模型可以大大降低聲音采集的數(shù)量和成本，并且在自然度和保真度上很好的還原人聲。同時(shí)，微軟提供了平臺(tái)化的定制語(yǔ)音服務(wù)，用戶(hù)可以自定義語(yǔ)音合成數(shù)據(jù)和模型，讓開(kāi)發(fā)周期更短，適合更多的個(gè)性化應(yīng)用場(chǎng)景。所以，未來(lái)人工智能語(yǔ)音會(huì)有更多的落地場(chǎng)景，也為用戶(hù)帶來(lái)更豐富的體驗(yàn)。
目前，微軟語(yǔ)音產(chǎn)品已經(jīng)被應(yīng)用于微軟的各類(lèi)人工智能產(chǎn)品和平臺(tái)上，包括了微軟小冰，微軟小娜（Cortana)，Windows，Skype，認(rèn)知服務(wù)（Cognitive Service），微軟翻譯等。
此外，微軟語(yǔ)音產(chǎn)品也積極與第三方企業(yè)在更多場(chǎng)景上合作，包括智能助理、智能客服、智能汽車(chē)、智能朗讀等領(lǐng)域。除了這次CCTV的項(xiàng)目外，微軟語(yǔ)音和小米手機(jī)合作，在最新的小米旗艦機(jī)Mi9的手機(jī)內(nèi)，定制了王源的明星聲音。通過(guò)語(yǔ)音的橋梁，拉近了粉絲與愛(ài)豆的距離。未來(lái)聲音定制會(huì)是一個(gè)趨勢(shì)。每個(gè)企業(yè)，設(shè)備，個(gè)人都會(huì)有一個(gè)獨(dú)特的人工智能定制聲音，讓語(yǔ)音融入生活的更多角落。
李冕：我覺(jué)得AI的方向有三個(gè)機(jī)會(huì)。一個(gè)是，注入式AI，就是把AI技術(shù)融入到現(xiàn)有的產(chǎn)品和服務(wù)里。
第二個(gè)，有很大機(jī)會(huì)的是知識(shí)挖掘，例如搜索引擎可以看作是基于全網(wǎng)數(shù)據(jù)的通用知識(shí)庫(kù)的挖掘，已經(jīng)相對(duì)成熟。但在專(zhuān)業(yè)知識(shí)庫(kù)，比如現(xiàn)在大多數(shù)企業(yè)內(nèi)部，有很多數(shù)據(jù)孤島沒(méi)有打通。所以我們認(rèn)為自然語(yǔ)言處理現(xiàn)在有能夠落地的點(diǎn)。
第三個(gè)，是提供機(jī)器學(xué)習(xí)的工具和平臺(tái)之上的高價(jià)值產(chǎn)品和服務(wù)。比如，幾個(gè)人攢個(gè)小團(tuán)隊(duì)，也能做出人臉識(shí)別的產(chǎn)品。但并沒(méi)有多少公司能提供AI落地到生產(chǎn)場(chǎng)景之后對(duì)業(yè)務(wù)的進(jìn)一步響應(yīng)。例如，高鐵的閘機(jī)需要7×24小時(shí)要響應(yīng)數(shù)據(jù)，這部分也可以叫做AI數(shù)據(jù)推理，應(yīng)該是AI技術(shù)供應(yīng)商能提供的增值服務(wù)，這樣才能幫助各個(gè)傳統(tǒng)行業(yè)的企業(yè)客戶(hù)能夠真正將AI落地，并發(fā)揮更大的價(jià)值。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
