亞里士多德曾說，聲音是靈魂的鏡子。聲音是人類*的表達(dá)方式，它是我們身份的一部分。語調(diào)的抑揚(yáng)頓挫可以流露出一個人的個性和情緒。

曾經(jīng)只有人類才能說話。但是，時過境遷，在過去的20年里，合成語音發(fā)展神速，目前，合成語音已經(jīng)成為數(shù)字技術(shù)和相關(guān)經(jīng)濟(jì)產(chǎn)業(yè)的重頭戲了。合成語音是人機(jī)交互的基石，它賦予機(jī)器“形象”和“靈魂”，讓機(jī)器具有“個性”。在不遠(yuǎn)的未來，從口袋里的手機(jī)開始，合成語音將變得無處不在，我們甚至可能無法區(qū)分合成語音和真人語音的差別。

語音不再是人類的獨(dú)享。機(jī)器合成的語音已經(jīng)可以和真人的相媲美了。

競爭核心

數(shù)字技術(shù)*谷歌、蘋果、微軟和亞馬遜是合成語音領(lǐng)域的重量級選手，它們把大量資金投入了與合成語音相關(guān)的技術(shù)研發(fā)領(lǐng)域。我們的智能手機(jī)已經(jīng)能夠聽懂語音指令，并用合成語音回應(yīng)我們的問題了。

合成語音未來將會融入私人助理技術(shù)，也就是為我們服務(wù)，成為幫助我們控制家中聯(lián)網(wǎng)設(shè)備的人工智能。它們總是能隨時隨地傾聽我們的愿望、滿足我們的需求。像谷歌助理I/O、蘋果的Siri、微軟的小娜（Cortana）和亞馬遜的Alexa就是這樣的例子。

在*范圍內(nèi)，有許多大學(xué)的實驗室都在研究這個課題，例如英國劍橋大學(xué)、愛丁堡大學(xué)、美國的卡耐基梅隆大學(xué)、日本的奈良先端科學(xué)技術(shù)大學(xué)院大學(xué)。在這些選手中，位于法國巴黎的聲學(xué)、音樂研究和協(xié)作學(xué)院（簡稱Ircam）憑借對技術(shù)創(chuàng)新和文化藝術(shù)的獨(dú)到融合，脫穎而出。這所學(xué)院的獨(dú)到之處是已經(jīng)將合成語音應(yīng)用到了娛樂和內(nèi)容生產(chǎn)（如音樂、電影和電子游戲）的多個領(lǐng)域中。

雖然數(shù)字領(lǐng)域的*和一些實驗室一直對標(biāo)準(zhǔn)式合成語音的應(yīng)用感到沾沾自喜，但是Ircam的研究人員卻另辟蹊徑，從80年代開始就致力于讓合成語音更具真人的特征：他們讓合成語音也具有聲紋、語氣、個性和表現(xiàn)力。

近10年里，Ircam的聲音分析和合成團(tuán)隊也取得了重大突破。得益于該團(tuán)隊的研究，合成語音變得不再呆板機(jī)械，變得更加自然、更富有表現(xiàn)力。而撐起這個質(zhì)的飛躍的，是信號處理、機(jī)器學(xué)習(xí)和語言學(xué)的一系列進(jìn)步。

目前的語音分析和合成算法已實現(xiàn)升級，它們能夠更加忠實地還原人的聲紋。另外，我們對語音的韻律，以及它和句法之間的關(guān)系有了更深入的了解，這讓合成語音變得更加自然。

后，新近引入的機(jī)器學(xué)習(xí)，以及計算能力的快速提升都對相應(yīng)技術(shù)的飛速發(fā)展起到了決定性的作用。目前，在語音數(shù)據(jù)庫中，每個樣本都存儲著一個人數(shù)小時的錄音，而一個數(shù)據(jù)庫通常會儲存著數(shù)以千計的樣本，也就是數(shù)以千計的人聲。正是由于這些積累，現(xiàn)在的機(jī)器已經(jīng)能夠像人一樣開口說話了。




現(xiàn)在，有許多制片廠都在使用Ircam研發(fā)的軟件。利用這些軟件，人們能夠定制語音的聲紋、語氣、身份和個性。比如，這些軟件能夠輕而易舉地將男人的聲音變成女人的，把年輕人的聲音變得老態(tài)龍鐘，或是將老人的聲音變得年輕。

用這類軟件也能把一個人的聲音變成另一個人的。我們的計算機(jī)和智能手機(jī)就能通過這個軟件合成生動自然、具有個性的語音，它們甚至能夠幫我們朗讀任何文本。

未來，我們還能讓無法開口說話的人也發(fā)出聲音，或者讓機(jī)器模仿一個人的聲音說外語。以后，我們就能像換發(fā)型一樣隨意變聲，或者和擁有嗓音的機(jī)器人自然流暢地交談。

這些科技進(jìn)步無疑會成為科技和商業(yè)競爭的核心，還有倫理討論的焦點(diǎn)。而要實現(xiàn)這些進(jìn)步，研究人員必須先理解人類語音的*性，并做到善加利用。


雕刻語音

每個人的語音身份由兩個要素構(gòu)成：音色和韻律。要改變一個人的聲音，就要對這兩個要素進(jìn)行建模，這樣才能復(fù)制或者改變一個人的語音。2010年，Ircam的研究人員就研發(fā)了一款名為IrcamTools TRAX的軟件，它就能實現(xiàn)這樣的功能。


這款軟件能夠?qū)︿浺艋蛘咴捦仓械穆曇粜盘栠M(jìn)行數(shù)字處理。在調(diào)低或者調(diào)高音高后，聲音就會變得更低沉或更尖銳。它也能進(jìn)行數(shù)字濾波，改變語音的音色。通過這款軟件，使用者能夠輕而易舉地讓聲音變性，或者把中年人的聲音變成少年或是老年人的。

實際上，由于具有不同的生理特征（身高、身材胖瘦），男性和女性發(fā)音器官也有差異，這會影響他們發(fā)出的聲音。男性的聲帶更長（17~25毫米），聲道也更長（平均17厘米）。這樣的生理特征使得男性的音高更低（70～160Hz），音色也更低沉。

女性的聲帶（12.5～17.5毫米）和聲道（平均14厘米）均更短。因此女性的音高更高（130～300Hz），音色更“尖銳”。另外，一個的人的聲音和身體一樣會隨著年齡的增加而變化。一個人的嗓音在青少年時更尖細(xì)，成年以后音色就會變得低沉，到了老年卻又會變得尖細(xì)。

通過這些基本原理，軟件可以調(diào)整聲音的音高和音色從而讓人產(chǎn)生錯覺，以為說話的人變了性別或是改變了年紀(jì)。想要復(fù)制老年人*的嗓音（比如顫音），就需要對數(shù)字處理做進(jìn)一步的修飾。上了年紀(jì)的人的發(fā)音器官一般不太靈便：他們的聲帶松弛，因此說話時喘鳴聲更重，而且時常會失聲發(fā)出顫音。

讓人驚訝的是，這種軟件能夠創(chuàng)造出不是天然存在的聲音，比如它能讓獅子說人話。這種的秘訣在于將人的語音和獅子的吼叫聲混合在一起，用獅子的聲帶聲紋特征代替人的，同時保留人的共鳴腔聲效。處理后的音效簡直讓人目瞪口呆：我們可以清楚地聽到一個人在說話，但是他的聲音里卻帶著獅子的喘鳴和低吼聲。

電影和動畫行業(yè)的制片工程師經(jīng)常使用這種方法來處理演員的聲音，或者為虛構(gòu)角色配音。現(xiàn)在，這些工程師的技術(shù)已經(jīng)更進(jìn)一步，能夠復(fù)制演員或者歷史人物的聲音了。在Ircam，經(jīng)常有人請求我們用留存的聲音資料復(fù)活故人的聲音。


用別人的嗓子說話

韻律和音色可以用來區(qū)別不同人的特色。但是，當(dāng)一個人模仿別人說話時，這兩個嗓音特征會起到什么樣的作用？當(dāng)一個人（愛麗絲）模仿另一個人（伯納德）說話時，其實她主要模仿的是伯納德語音的韻律。


要想模仿別人的音色不是一件容易的事。因為人的聲道尺寸是由生理決定的，每個人都不同。所以，即使是才華橫溢的模仿高手，也無法地復(fù)制另一個人的音色，僅能大致模仿他說話的韻律。

想要真實地還原一個人的嗓音，就必須復(fù)制他的音色。首先，要用伯納德（被模仿者）的錄音建立一套“語音面具”，然后為愛麗絲（模仿者）的聲音戴上這種“語音面具”。

這樣看來，要復(fù)制一個人的嗓音，就必須先收集這個人的錄音，組成一個數(shù)據(jù)庫。這些數(shù)據(jù)會被切成音素，做進(jìn)一步分析，然后組合出被復(fù)制者的聲學(xué)特征。具體來說，每個音素都有一個“語音面具”（一種聲音濾波器），它能夠調(diào)節(jié)聲音中不同頻率成分的強(qiáng)度比例。

在轉(zhuǎn)換聲音身份的時候，只需要將“語音面具”復(fù)制粘貼即可。針對愛麗絲的每個音素，系統(tǒng)都會在伯納德的聲音數(shù)據(jù)庫中挑選相應(yīng)的音素濾波器，從而進(jìn)行替換。

在愛麗絲的聲音數(shù)據(jù)庫中，相應(yīng)的算法會挑選使轉(zhuǎn)換聽起來逼真的聲音濾波器序列。在經(jīng)過一系列操作和處理后，愛麗絲的聲音就有了伯納德的音色。

這個技術(shù)面世后的應(yīng)用就是在電影中再現(xiàn)瑪麗蓮·夢露（Marilyn Monroe，《瑪麗蓮》（Marilyn）的嗓音，隨后，又在多部電影中重現(xiàn)了多位歷史人物的對白。

比如要模仿喜劇演員路易·德菲內(nèi)斯，演員就要模仿他的韻律按照劇本的人物臺詞表演，此時的聲音會被分段記錄下來。與此同時，研究人員還利用德菲內(nèi)斯的歷史錄音建立起一個長達(dá)十分鐘的數(shù)據(jù)庫。

通過這個數(shù)據(jù)庫和剛才的一系列處理手段，研究人員就可以利用德菲內(nèi)斯的聲音特征將演員的音色轉(zhuǎn)化成他的樣子。而德菲內(nèi)斯發(fā)出的聲音就像是近才錄的，但其實，聲音的原材料都來自他在70年代拍的電影。


聲音拼圖

Ircam 的研究人員通過合成語音拓展了語音處理的邊界。現(xiàn)在，用錄音改變一個人聲音的技術(shù)已經(jīng)成熟，如何用合成語音來朗讀任意文本卻成了大的問題。


要考據(jù)合成語音的歷史，可以追溯到18世紀(jì)。那時已經(jīng)出現(xiàn)了汽車和可以發(fā)音的機(jī)器了。進(jìn)入20世紀(jì)后，電力的出現(xiàn)讓這些機(jī)器變得更先進(jìn)、更，1939年由貝爾實驗室制造的VODER（語音操作演示器）就是其中一例。當(dāng)計算機(jī)出現(xiàn)后，一切又變得自動化了。

目前，語音合成系統(tǒng)已經(jīng)*實現(xiàn)了自動化，它們能夠讓數(shù)字聲音具有個性。語音合成在本質(zhì)上依賴的是語音數(shù)據(jù)庫，如果要生成合成語音，只需要幾個小時的真人錄音就可以了。

語音合成和語音轉(zhuǎn)換不同，它不僅要轉(zhuǎn)換現(xiàn)有語音的特征，還要用基礎(chǔ)的語音元素完整地重塑語言，朗誦任何文本。目前大多數(shù)合成器的基本工作原理都是“基元選取”（unit selection），這非常類似于拼圖游戲。

每個基元是一段有特定韻律和音色的口語語料（包括音素、音節(jié)、詞語等）。語料數(shù)據(jù)庫就像拼圖的集合，要有盡量豐富的語料才能滿足合成語音時多變的需要。

在為一段文本合成語音時，要找到與文本對應(yīng)的語料片段，從而進(jìn)行組合。重組的過程就像跋山涉水一樣麻煩：算法要先從數(shù)據(jù)庫中挑選出大量的語料片段，但是語料本身有各自的聲學(xué)特征，無法直接簡單地拼湊到一起。要合成語音一段語音，就要盡量找到那些前后連貫的語料片段。

為了讓合成語音聽起來自然，既要保證音素之間配合得天衣無縫，還要保證文本本身易于被理解。另外，還要考慮到音素整體表現(xiàn)出的音樂感，也就是韻律。

語音還原的質(zhì)量主要取決于數(shù)據(jù)庫的容量：每段口語語料的素材數(shù)量越多，音素間的連接就越流暢、韻律就越豐滿。后，成品還要經(jīng)過算法做具部潤色，這樣才能讓語料之間的連接沒有明顯瑕疵，讓斷句更流暢。

2000年后，在語言學(xué)、信號處理和機(jī)器學(xué)習(xí)方面的進(jìn)展，使合成語音韻律的建模能力有了驚人的進(jìn)步。過去的合成語音僅僅勉強(qiáng)能聽，現(xiàn)在的合成語音聽起來不僅很自然，還很有表現(xiàn)力。

天然和人工之間的界限變得模糊了。在機(jī)器學(xué)習(xí)的幫助下，可以用上千種不同的語音創(chuàng)造出“平均”合成語音，當(dāng)然，也可以用幾個不同人的語音制造出混合語音，或者將某人的口音、情緒和說話的風(fēng)格移花接木到另一個人身上。

這些處理的原理與“基元選取”是類似的，但具體的操作有很大的差異。這類方法并不是采用真人錄制的口語語料直接合成語音，而是用一個統(tǒng)計模型來表示一個人的語音。這個統(tǒng)計模型是對語音的數(shù)學(xué)抽象，通過它可以復(fù)制和生成合成各種各樣的語音。

利用統(tǒng)計分布規(guī)律（正態(tài)分布的平均值和方差），就能為每一個音素在聲學(xué)空間（以音高、持續(xù)時間、音強(qiáng)和音色為參數(shù)的參數(shù)空間）中的分布建模。

選取的語音參數(shù)會隨著說話的進(jìn)程變化而變化，為了給這個過程建模還需要用到關(guān)于時間序列的模型（如隱馬爾可夫模型）。在這類模型里，每個音素都會被分割成一系列“狀態(tài)”，比如開始、中間、結(jié)束，而每個狀態(tài)都有各自的統(tǒng)計分布。

通過聲學(xué)空間統(tǒng)計參數(shù)的組合、插值和自適應(yīng)，這套系統(tǒng)可以對聲音的各項抽象特征進(jìn)行計算。比如，我們能夠利用兩個真人語音的統(tǒng)計參數(shù)制造出混合語音，也可以將幾千個人的語音組合成平均語音。

這種技術(shù)進(jìn)步使文本合成語音的效率發(fā)生了翻天覆地的變化：它不再依賴于真人語音，只需要幾分鐘長度的錄音就可以快速合成新的語音。

所以，即便這個人已經(jīng)無法出聲，只要利用幾分鐘錄音資料就能再現(xiàn)他的聲音。而且，就算不會說外語，現(xiàn)在的技術(shù)已經(jīng)能實現(xiàn)用本人的聲音合成外文語音。

雖然合成語音已經(jīng)取得了令人矚目的成績，但是，還有進(jìn)步的空間。在合成語音的過程中，始終需要人力輔助才能得到優(yōu)良的合成效果。而現(xiàn)在，人工智能、人工神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)和大數(shù)據(jù)領(lǐng)域的變革，都為語音合成注入了新鮮的血液。

在人工神經(jīng)網(wǎng)絡(luò)技術(shù)，或者說神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)的硬件設(shè)備或者虛擬設(shè)備是由一層一層的“神經(jīng)元”構(gòu)成的，每個“神經(jīng)元”都有兩種可能的狀態(tài)。神經(jīng)元之間相互連結(jié)，在學(xué)習(xí)的過程中算法會對“神經(jīng)元”的特征進(jìn)行調(diào)整。

在70年代，神經(jīng)網(wǎng)絡(luò)被引入到了語音處理中，當(dāng)時，人們認(rèn)為這種結(jié)構(gòu)能夠模擬大腦的工作方式，從而更好地完成機(jī)器學(xué)習(xí)。然而，神經(jīng)網(wǎng)絡(luò)的發(fā)展一度受到理論、算法，以及當(dāng)時十分有限的計算能力的限制。

近10年，理論進(jìn)步和計算能力的飛速發(fā)展，讓神經(jīng)網(wǎng)絡(luò)技術(shù)再次回到了舞臺。

一些為深度神經(jīng)網(wǎng)絡(luò)（深度指的是包含多層神經(jīng)元網(wǎng)絡(luò)）量身定制的新的學(xué)習(xí)算法也逐漸出現(xiàn)在人們的眼前。這些深度神經(jīng)網(wǎng)絡(luò)的算法非常依賴大數(shù)據(jù)。

這些技術(shù)給了人們很大的想象空間。在未來，我們可能會創(chuàng)造出與真人語音沒有差異的數(shù)字語音，它甚至能用任何語言傳遞信息，我們還能根據(jù)需求給它賦予*的個性。

在未來我們可以隨心所欲地改變自己的嗓音，我們能與聲音無異于真人的智能機(jī)器順暢地進(jìn)行日常交流。然而，這種機(jī)器到底是天使，還是惡魔呢？這種技術(shù)已經(jīng)引起了一部分人的反感，也引出了這樣一個基本問題：在我們的社會中，合成語音以及人性化的機(jī)器究竟算什么？

用多人語音合成，或是用別人語音轉(zhuǎn)化而來的聲音究竟屬于誰？它屬于復(fù)制人嗎，還是改造人？或者應(yīng)該屬于創(chuàng)造它的研究者和工程師？怎樣區(qū)分合成語音和真人語音的差異？

如果能仿造某人的語音，怎樣鑒定語音留言的真實性？合成語音的人格化和機(jī)器人的人形外貌一樣，也發(fā)人深思。如果機(jī)器的聲音太像真人，我們是否陷入了日本機(jī)器人學(xué)家森政弘提出的“kong bu谷”怪圈？