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(zhǎng)。” 語音合成架構(gòu)師孫濤就和同事錄制了一些老排長(zhǎng)在世時(shí)的聲音，并通過語音合成技術(shù)把老排長(zhǎng)留給老戰(zhàn)士的信讀給他聽，老人頓時(shí)淚流滿面。

語音合成廣泛應(yīng)用于播報(bào)、客服、導(dǎo)航、虛擬主播、虛擬主持人等等。語音合成有三大關(guān)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(gè)人的喉嚨結(jié)構(gòu)比較固定，如果把它比喻成一個(gè)樂器，文本內(nèi)容和韻律節(jié)奏更像是樂譜。語音合成相當(dāng)于只要掌握了樂器(喉嚨)的基本結(jié)構(gòu)，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(fù)刻你的聲音”。語音合成架構(gòu)師孫濤自信地對(duì)中工網(wǎng)記者說。每天，孫濤要處理大量采集來的聲音。看著高低不平的聲波，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(gè)“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(shí)的環(huán)境、數(shù)據(jù)規(guī)整等等，最關(guān)鍵的還是如何讓機(jī)器通過學(xué)習(xí)獲得聲音與文本的匹配關(guān)系，這是語音架構(gòu)師花費(fèi)時(shí)間最多的地方。并且，語音跟圖像、文本不一樣，它具有時(shí)序性和交互性特點(diǎn)，要求系統(tǒng)具有快速響應(yīng)用戶的能力，這樣，如何更好地完成時(shí)序模型系統(tǒng)的設(shè)計(jì)是考驗(yàn)一名語音架構(gòu)師是否合格的因素之一。

“以前客戶服務(wù)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(fēng)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(jī)器，與客戶溝通的效率也提升了。”孫濤對(duì)中工網(wǎng)記者說，語音合成發(fā)展到現(xiàn)在已經(jīng)進(jìn)步為個(gè)性化的合成，會(huì)帶上情感表現(xiàn)，甚至還有一些人文關(guān)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(duì)話。不僅能傳遞信息，也能傳遞情感。”孫濤滿懷憧憬地說。

關(guān)鍵詞： 語音合成 架構(gòu)師 時(shí)序模型系統(tǒng) 客服電話