最適合計算機的聲音,應該是什麼樣的?

計算機與人類對話時，什麼樣的聲音聽起來最合適？

這是2009年六個IBM語言學家，工程師和營銷人員面臨的問題。當時他們想為公司的人工智慧程序Watson將文本轉換為語音。18個月後，一種精心製作的語音誕生，它聽起來沒那麼人性化，也不像電影《2001太空漫遊》中的HAL 9000那麼冰冷。

為計算機賦予「個性」是很多軟體設計師在做的事，隨著行動裝置的普及，人類的手和眼已經忙不過來，急需語音交互。

除了計算機和手機，還有很多機器也在學習聆聽，理解和說話。汽車與玩具也加入了語音功能，甚至一些新式「家電」也如此，比如家庭陪伴機器人Pepper和Jibo，以及亞馬遜的語音設備Echo。在開發可理解自然語言並回應人類語音命令的軟體（通常被稱為「會話代理」）過程中，還誕生了新的設計科學——人機互動設計，但其藝術性往往要強於科學性。

不過，即使是用於天氣預報和交通導航的簡單語句，也很難讓計算機聲音能與人類的一模一樣。多數軟體設計師承認，語音設計還沒達到「恐怖谷」的程度。而除了正確的發音，更大的挑戰是賦予計算機語調和情緒，即韻律。要讓人工智慧完全展現人類說話中的豐富情緒，這在現在還是不可能的事。

合成語音的生成方式有好幾種。效果最好的技術會使用人類語音，從中生成不同說話方式的資料庫。每個資料庫都需要人類配音者錄製數十至上百小時。為計算機語音加入情緒的重要性和困難，在電影《她》中體現的最為淋漓盡致。劇中男主角愛上了人工智慧Samantha，而他們就是通過語音交流的。

電影《她》劇照

現代語音合成技術的奠基人是蘇格蘭計算機科學家Alan Black，他現在是卡內基梅隆大學語言技術研究所的教授。他認為在巨大進步的背後，語音合成系統還不能像人類那樣完美，它們不能「帶著感情說話」。

對一些玩具產品公司來說，語音系統的不完善不算重要，因為其產品就是用於娛樂和取悅用戶的。但對那些用於與人類合作，會成為工作夥伴的系統來說，這一困難還是無法超越。

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Watson開始唱歌時，鮑勃·迪倫驟然退場，因為人工智慧程序的聲音實在太難聽了。不過IBM的目標就是讓系統成為不那麼人類的專家，他們想要的聲音不需要太像人類，也不能太恐怖。

不過IBM研究院的研究員Andy Aaron表示，即使是正確讀出一個單詞，「出錯率依然是我們最大的挑戰」。團隊中的一些成員花了一年多時間創建了一個龐大的正確發音資料庫，以讓錯誤儘可能接近零。

IBM還聘用了25名配音員，尋找特別的人類聲音，並以此為基礎為Watson開發語音。在選出最想要的聲音後，IBM用多種方式進行了調整，甚至會提升頻率，讓聲音聽起來像小孩。不過這種個性的聲音遭到了一致反對。

他們想要的聲音要緩慢，平穩而且「令人愉悅」，整個過程讓工程師的工作看起來更像藝術家。最終他們生成的語音雖然一聽就知道是計算機，但透露出了樂觀，還有一點活潑。

隨著語音技術的進步，它的應用範圍也會越來越廣。以色列公司Imperson之前都在開發娛樂型的對話角色，現在卻在考慮往政治方向發展，比如在社交平臺上讓虛擬的競選者與民眾互動，即使知道是假的，單獨與政治人物對話也會產生親切感吧。

via nytimes

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。