百度地图首发语音定制：明星权利下沉，人工智能升格

原创赞收藏评论

举报 2019-09-20

扫描,分享朋友圈

詹姆斯· 弗拉霍斯在《智能语音时代》中有一个大胆的预测：智能语音有可能成为最有感情的技术。

不过在太多人眼中，当下的合成语音很难和情感特征相关联，韵律表现上不够灵活，声音变化上相对死板。几乎无法让人相信那些冷冰冰的机械音可以承载丰富的情感，直到百度地图的一场发布会。

用户只需要在百度地图App上录制20句话，然后等待15分钟左右的时间，即可生成有自己声音特色的个性化语音包。有些预料之外的是，原本被某手机厂商预定的朋友圈，猛然被百度地图语音定制的截图刷了屏。

以至于有人在朋友圈中写下了这样一句话：充满“人气”的导航语音定制，正在打破语音时代的“花园围墙”。

只要20分钟，听见自己的声音

作为对新技术永远有着尝鲜欲望的泛极客，我在第一时间去AppStore更新了最新版的百度地图，满怀期待地录制了自己的语音包。为了方便大家对“语音定制功能”的理解，这里将整个体验分为三个过程：

第一步，录制环境的准备。

语音导航早已不是什么新事物，之所以在过去那么长时间里没有出现个性化定制的语音包，最大的门槛就在于录制条件：首先要找到一个专业的录音棚，然后录制上万句导航文本，最后花上半年的时间进行处理。即便是定制化的明星语音包，也需要在通用语音库的基础上录制一两千句语音，大概要在录音棚里待两个礼拜的时间，再花两个月的时间用语音技术生成语音包。

“想要定制自己的导航语音，要么你爸爸是王健林，要么你自己是王思聪。”大概就是很多人对语音定制的原始印象。

但在最新版的百度地图App中，只需要语音唤醒“小度小度”后说“录制我的语音”，或者在个人中心中找到“语音定制”的按钮，即可进入到语音定制的界面。不需要跑到专业的录音棚中，只要不是那么嘈杂的环境，达到系统自动检测的噪音标准后，即可在手机上定制属于自己的语音包。

第二步，语音定制的过程。

进入语音定制的界面后，百度地图提供了个性化的选择，在性别上可以选择男声、女声以及童声女和童声男，可供选择的录制文本包括推荐文本、卡通文本、电影台词和超短文本。比较贴心的是，卡通文本中可以看到《喜羊羊与灰太狼》、《超级飞侠》、小猪佩奇等时下热门动画片的台词，并且在朗读文本前设定了“自动跟读”，针对儿童群体进行了一系列细节上的打磨优化。

占用5分钟的时间录制20句左右的文本，然后等待15分钟上下的时间进行云端语音处理，即可下载自己专属的语音包。

简单的对比即可以发现，百度地图已然最大程度的降低了语音定制的门槛，原本动辄几个月的语音包生产过程，被压缩到几分钟的时间，重新定义语音包生产模式的同时，也让语音定制进一步普惠化。不再局限在几个明星的语音包，人人都可以是“大明星”。

第三步，场景体验的感受。

市面上并不缺少商用语音合成的产品和服务，但绝大多数都是构建在传统的TTS框架上，至于语音合成的效果，往往少不了合成语音的机械感。

关于百度地图“语音定制”的体验，最大的感受就是惊艳。

首先在音色上，合成语音和原始声音的相似度在90%以上，或许一些实验室里可以做到95%左右的水平，考虑到百度地图的规模化应用，这样的成绩已经足够令人兴奋。同样让人惊叹的是，仅仅录制了20个短句，有个人特色的短句方式被完美保留，比如我在读一个长句时习惯在中间进行停顿，百度地图的语音包中精准呈现了这一细节。

其次在场景上，本以为只是应用在路线导航的特定场景中，在使用自己的语音包后，每次在百度地图中唤醒“小度小度”，听到的居然是自己的声音，进一步深入体验后发现定制的语音包可以在景区智能语音导览、智能语音交互、导航等全部场景使用。

不客气地说，如果Siri的出现开启了语音助理的时代，百度地图的“语音定制功能”开启了智能语音规模化应用的先河。告别冷冰冰的机械感，自然、有情感、高表现力的声音，将是语音技术进一步在生活中渗透的开始。

7年技术打磨，语音合成的进阶

罗马不是一天建成的，语音技术也是如此。

原先几个月才能搞定的语音包，百度为何在15分钟的时间内完成，百度语音首席架构师贾磊在百度地图的发布会上进行了“揭秘”：

先来熟悉下百度在语音技术上的深耕，也许是读懂百度语音合成技术跃迁的关键。

我在之前的文章中梳理过语音识别的进化简史，比如百度2012年开始把深度学习技术DNN技术用于语音搜索，2013年开始基于CNN模型进行研究，2015年初推出基于LSTM –HMM的语音识别，年底发展出基于LSTM-CTC的端对端语音识别系统，今年1月份又发布了流式多级的截断注意力模型……

其实百度的语音技术进化还存在另一条曲线，即语音合成技术的创新进化史。2013年就已启动TSS研发，2014年实现了HTS离线参数合成，2016年在基于深度学习的语音合成产品落地上持续发力，并打造了世界上第一个能在云端提供大规模WaveRNN实时语音合成服务的系统……

仅以WaveRNN技术为例，传统的RNN技术是单点递推的，只有计算完当前的音频点，才能计算下一个音频点，而百度创新的并行WaveRNN技术，可以把一句话分成若干个音节，每个音节同时并行合成，从而实现了WaveRNN技术可以线上大规模使用，为语音合成的商业化应用奠定了基础。

当然作为普通的“吃瓜群众”，我们无须熟知上述提到的专有名词，在讨论百度地图的语音定制功能时，还要从百度独创的风格迁移技术Meitron模型说起，特点主要体现在音色转换、多情感朗读和韵律迁移三个方面。

关于“音色转换”可能很多人并不陌生，在动画片《名侦探柯南》中，柯南正是通过胸口的“蝴蝶结变声器”模仿其他人的声音。现实中的“音色转换”少了些魔法的光环，需要收集大量的声音数据，生成训练模型，再通过个性化的学习完成音色的变换。但在百度的Meitron模型中,可以利用少量语音快速合成一个人的专属音库。

“多情感朗读”顾名思义就是让合成语音拥有自然、有情感的声音，常见的思路是从说话人的情感语音语料中获得平均音模型，对说话人的情感说句进行自适应变换，构建目标情感的声学参数模型，继而合成出目标说话人的情感语音效果。同样的，Meitron模型减少了语音库中的个体差异，只需要少量语料，就能在合成的语音中注入不同的情感。

“韵律迁移”通俗的说就是一个人的声音可以讲出不同风格的文本，比如一个人说话时的音调、音节、停顿等，目的是让合成语音正确表达语义，听起来更加自然。倘若缺少韵律前移模型，无法无法精确控制语音的发声，语音的表现力和自然地也就无从谈起。百度地图的“语音定制功能”之所以可以实现个性化的语音合成，与“韵律迁移”方面的方面的深厚积累无不关系。

从时间上来看，百度并非是第一家进行语音合成研究的公司，然而百度地图“语音定制”的国民级应用，无疑阐述了这样一个事实：那些动辄需要几十个小时的语音采集，消耗几个月的时间进行拼接合成的语音技术已经过时，在人工智能技术的赋能下，语音合成技术正在创造无限可能。

分钟级语音定制，开启大生产时代

在体验和技术之外，不应该被忽略的是，百度地图选择在这个时间点上线“语音定制功能”，本质上在于解决了两个棘手问题：

一是语音合成技术本身，业已实现了核心技术的突破，以及与工业级应用的结合；

二是语音合成的成本控制，百度深度学习平台飞桨实现了纯端侧的廉价GPU部署，无疑是个性化语音合成技术规模化落地的关键。

由此来看，百度语音技术的想象空间远没有局限在百度地图的个性化语音包上，开始从积累和沉淀进入商业化的爆发期。

就应用场景而言，除了导航语音之外，电子阅读、智能硬件、智能音箱、机器人等都将是个性化语音的潜在市场。特别是即将到来的5G时代，或将有上百亿台设备入网，作为万物互联以及AIoT的一个重要入口，智能语音赛道终将成为搜索、电商、社交之外的下一个“现金奶牛”。

就情感维系来说，键盘、触控乃至现阶段的语音，以往的人机交互都是效率主导的，在很大程度上缺少了人情味儿，但百度的个性化语音定制已经释放了积极的信号，语音不仅是高效的交互方式，也是情感的载体，人类与机器之间的隔阂势必会进一步缩小，取而代之的是亲和力。

同时对于百度这样的互联网巨头而言，过去几十年中的技术深耕，注定会在人工智能进入大生产时代时一步步变现。

作者 | Alter 公众号 | Alter聊IT

作者系独立撰稿人，微信号imhefei

钛媒体2018十大作者