兩年前的經(jīng)歷讓孫濤至今難以忘懷。“有一位抗美援朝的老戰(zhàn)士，很懷念已經(jīng)過世的老排長。” 語音合成架構師孫濤就和同事錄制了一些老排長在世時的聲音，并通過語音合成技術把老排長留給老戰(zhàn)士的信讀給他聽，老人頓時淚流滿面。

語音合成廣泛應用于播報、客服、導航、虛擬主播、虛擬主持人等等。語音合成有三大關鍵因素：文本內(nèi)容、發(fā)音人音色和說話的韻律節(jié)奏。發(fā)音人音色的不同在于喉嚨。每個人的喉嚨結構比較固定，如果把它比喻成一個樂器，文本內(nèi)容和韻律節(jié)奏更像是樂譜。語音合成相當于只要掌握了樂器(喉嚨)的基本結構，想要合成什么樣的語句，只要提供樂譜(文本內(nèi)容和韻律節(jié)奏)就可以了。

“只要收集你說的9句話，就能復刻你的聲音”。語音合成架構師孫濤自信地對中工網(wǎng)記者說。每天，孫濤要處理大量采集來的聲音?？粗叩筒黄降穆暡?，就像看著即將亮相的樂譜，人工智能是“演奏家”，而他，就是那個“作曲家”。

語音合成需要很多環(huán)節(jié)，比如聲音的質(zhì)量、錄制時的環(huán)境、數(shù)據(jù)規(guī)整等等，最關鍵的還是如何讓機器通過學習獲得聲音與文本的匹配關系，這是語音架構師花費時間最多的地方。并且，語音跟圖像、文本不一樣，它具有時序性和交互性特點，要求系統(tǒng)具有快速響應用戶的能力，這樣，如何更好地完成時序模型系統(tǒng)的設計是考驗一名語音架構師是否合格的因素之一。

“以前客戶服務電話的拒接率很高，大家一聽就知道這不是真人，從情感上就不想交流。” 人工智能的快速發(fā)展，語音合成也搭上了這趟順風車。“語音合成的效果提升以后，已經(jīng)無法分辨接客服電話的是真人還是機器，與客戶溝通的效率也提升了。”孫濤對中工網(wǎng)記者說，語音合成發(fā)展到現(xiàn)在已經(jīng)進步為個性化的合成，會帶上情感表現(xiàn)，甚至還有一些人文關懷的成分。“語音合成發(fā)展的大方向是交互，讓人與人工智能自如地對話。不僅能傳遞信息，也能傳遞情感。”孫濤滿懷憧憬地說。

關鍵詞： 語音合成 架構師 時序模型系統(tǒng) 客服電話