近日，加拿大新創(chuàng)公司琴鳥發(fā)布了新款人工智能(AI)語音系統(tǒng)，其能通過分析講話錄音和對應(yīng)文本以及兩者之間的關(guān)聯(lián)，在1分鐘內(nèi)模仿人類“講話”。不過業(yè)內(nèi)專家認(rèn)為，語音系統(tǒng)真正令人信服地復(fù)制人聲，還需再等幾年。

新款人工智能語音系統(tǒng)發(fā)布可高效率復(fù)制人聲

據(jù)報(bào)道，加拿大新創(chuàng)公司琴鳥(Lyrebird)發(fā)布了新款人工智能(AI)語音系統(tǒng)，其能通過分析講話錄音和對應(yīng)文本以及兩者之間的關(guān)聯(lián)，在1分鐘內(nèi)模仿人類“講話”，比如，模仿特朗普、奧巴馬和希拉里三個(gè)人的聲音展開一段對話。

讓聲音聽起來更自然，是計(jì)算機(jī)程序在將文字轉(zhuǎn)換成語音過程中面臨的核心挑戰(zhàn)，即使目前最好的語音助手，如蘋果公司的Siri和亞馬遜公司的Alexa，一發(fā)聲給人的第一感覺仍然是，“哇!這是計(jì)算機(jī)。”背后原因在于這些語音助手系統(tǒng)的工作原理：根據(jù)預(yù)錄的聲音文檔整理出詞匯，再通過另一個(gè)新的音頻文檔將這些詞匯拼湊在一起發(fā)聲。

而琴鳥公司的AI使用了一種全新的語音合成系統(tǒng)，能在“傾聽”過程中“掌握”每個(gè)人說話時(shí)字母、音位和單詞的發(fā)音特點(diǎn)，通過推理并模仿這個(gè)人聲音中的情感和語調(diào)，“說”出全新的語句。

新系統(tǒng)使用模仿人腦思維的算法創(chuàng)建出一種人工神經(jīng)網(wǎng)絡(luò)，能利用深度學(xué)習(xí)技術(shù)將所聽到的轉(zhuǎn)換成語音，并僅靠任何人1分鐘講話內(nèi)容，就能完全模仿這個(gè)人說話。其市場前景非常廣闊，可用來改進(jìn)個(gè)人人工智能助手、音頻書籍以及殘疾人語音系統(tǒng)等。

開發(fā)該系統(tǒng)的蒙特利爾大學(xué)學(xué)習(xí)算法實(shí)驗(yàn)室博士后亞歷山大·布瑞比森表示，在學(xué)會并模仿了幾個(gè)人的聲音后，再模仿任何一個(gè)新對象的語音就會變得更快，因此新語音系統(tǒng)不需太多信息，1分鐘足以捕獲某個(gè)人聲音的核心特點(diǎn)。

但美國卡內(nèi)基梅隆大學(xué)語言技術(shù)研究所教授迪莫·鮑曼表示，琴鳥的語音系統(tǒng)和真正的人聲之間還有差距。“我仔細(xì)聽過琴鳥系統(tǒng)的發(fā)聲，其帶有背景噪音，以及微弱的機(jī)器人特征。而且，它還不能模仿人們在講話中的呼吸和唇部運(yùn)動，因此仍然能聽出其計(jì)算機(jī)語音特征。”鮑曼說。他認(rèn)為，語音系統(tǒng)真正令人信服地復(fù)制人聲，還需再等幾年。