計(jì)算機(jī)與人類對(duì)話時(shí)，什么樣的聲音聽(tīng)起來(lái)最合適？

這是2009年六個(gè)IBM語(yǔ)言學(xué)家，工程師和營(yíng)銷人員面臨的問(wèn)題。當(dāng)時(shí)他們想為公司的人工智能程序Watson將文本轉(zhuǎn)換為語(yǔ)音。18個(gè)月后，一種精心制作的語(yǔ)音誕生，它聽(tīng)起來(lái)沒(méi)那么人性化，也不像電影《2001太空漫游》中的HAL 9000那么冰冷。

為計(jì)算機(jī)賦予“個(gè)性”是很多軟件設(shè)計(jì)師在做的事，隨著移動(dòng)設(shè)備的普及，人類的手和眼已經(jīng)忙不過(guò)來(lái)，急需語(yǔ)音交互。

除了計(jì)算機(jī)和手機(jī)，還有很多機(jī)器也在學(xué)習(xí)聆聽(tīng)，理解和說(shuō)話。汽車與玩具也加入了語(yǔ)音功能，甚至一些新式“家電”也如此，比如家庭陪伴機(jī)器人Pepper和Jibo，以及亞馬遜的語(yǔ)音設(shè)備Echo。在開(kāi)發(fā)可理解自然語(yǔ)言并回應(yīng)人類語(yǔ)音命令的軟件（通常被稱為“會(huì)話代理”）過(guò)程中，還誕生了新的設(shè)計(jì)科學(xué)——人機(jī)互動(dòng)設(shè)計(jì)，但其藝術(shù)性往往要強(qiáng)于科學(xué)性。

不過(guò)，即使是用于天氣預(yù)報(bào)和交通導(dǎo)航的簡(jiǎn)單語(yǔ)句，也很難讓計(jì)算機(jī)聲音能與人類的一模一樣。多數(shù)軟件設(shè)計(jì)師承認(rèn)，語(yǔ)音設(shè)計(jì)還沒(méi)達(dá)到“恐怖谷”的程度。而除了正確的發(fā)音，更大的挑戰(zhàn)是賦予計(jì)算機(jī)語(yǔ)調(diào)和情緒，即韻律。要讓人工智能完全展現(xiàn)人類說(shuō)話中的豐富情緒，這在現(xiàn)在還是不可能的事。

合成語(yǔ)音的生成方式有好幾種。效果最好的技術(shù)會(huì)使用人類語(yǔ)音，從中生成不同說(shuō)話方式的數(shù)據(jù)庫(kù)。每個(gè)數(shù)據(jù)庫(kù)都需要人類配音者錄制數(shù)十至上百小時(shí)。為計(jì)算機(jī)語(yǔ)音加入情緒的重要性和困難，在電影《她》中體現(xiàn)的最為淋漓盡致。劇中男主角愛(ài)上了人工智能Samantha，而他們就是通過(guò)語(yǔ)音交流的。

電影《她》劇照

現(xiàn)代語(yǔ)音合成技術(shù)的奠基人是蘇格蘭計(jì)算機(jī)科學(xué)家Alan Black，他現(xiàn)在是卡內(nèi)基梅隆大學(xué)語(yǔ)言技術(shù)研究所的教授。他認(rèn)為在巨大進(jìn)步的背后，語(yǔ)音合成系統(tǒng)還不能像人類那樣完美，它們不能“帶著感情說(shuō)話”。

對(duì)一些玩具產(chǎn)品公司來(lái)說(shuō)，語(yǔ)音系統(tǒng)的不完善不算重要，因?yàn)槠洚a(chǎn)品就是用于娛樂(lè)和取悅用戶的。但對(duì)那些用于與人類合作，會(huì)成為工作伙伴的系統(tǒng)來(lái)說(shuō)，這一困難還是無(wú)法超越。

IBM最近公布了一段電視廣告，其中有作曲家鮑勃·迪倫和Watson的出鏡。廣告中當(dāng)Watson開(kāi)始唱歌時(shí)，鮑勃·迪倫驟然退場(chǎng)，因?yàn)槿斯ぶ悄艹绦虻穆曇魧?shí)在太難聽(tīng)了。不過(guò)IBM的目標(biāo)就是讓系統(tǒng)成為不那么人類的專家，他們想要的聲音不需要太像人類，也不能太恐怖。

不過(guò)IBM研究院的研究員Andy Aaron表示，即使是正確讀出一個(gè)單詞，“出錯(cuò)率依然是我們最大的挑戰(zhàn)”。團(tuán)隊(duì)中的一些成員花了一年多時(shí)間創(chuàng)建了一個(gè)龐大的正確發(fā)音數(shù)據(jù)庫(kù)，以讓錯(cuò)誤盡可能接近零。

IBM還聘用了25名配音員，尋找特別的人類聲音，并以此為基礎(chǔ)為Watson開(kāi)發(fā)語(yǔ)音。在選出最想要的聲音后，IBM用多種方式進(jìn)行了調(diào)整，甚至?xí)嵘l率，讓聲音聽(tīng)起來(lái)像小孩。不過(guò)這種個(gè)性的聲音遭到了一致反對(duì)。

他們想要的聲音要緩慢，平穩(wěn)而且“令人愉悅”，整個(gè)過(guò)程讓工程師的工作看起來(lái)更像藝術(shù)家。最終他們生成的語(yǔ)音雖然一聽(tīng)就知道是計(jì)算機(jī)，但透露出了樂(lè)觀，還有一點(diǎn)活潑。

隨著語(yǔ)音技術(shù)的進(jìn)步，它的應(yīng)用范圍也會(huì)越來(lái)越廣。以色列公司Imperson之前都在開(kāi)發(fā)娛樂(lè)型的對(duì)話角色，現(xiàn)在卻在考慮往政治方向發(fā)展，比如在社交平臺(tái)上讓虛擬的競(jìng)選者與民眾互動(dòng)，即使知道是假的，單獨(dú)與政治人物對(duì)話也會(huì)產(chǎn)生親切感吧。

via nytimes

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。