人工智能之语音合成（语音合成TTSAI）

在文中，作者替大家收集了很多线上/线下的相关信息后，提炼出的AI产品经理“最必要”了解的TTS技术知识和行业现状

TTS（Text-To-Speech，语音合成），目前是一个“小而美”的AI领域，但我个人觉得非常有意思，感觉TTS在未来会被行业真正重视起来，并且会出现做得不错的创业公司。

本文，是我收集了很多线上/线下的相关信息后，提炼出的AI产品经理“最必要”了解的TTS技术知识和行业现状（多了没必要，少了又不足以入门、准备面试或工作实战），不仅帮大家节省了时间，更是过滤了很多无用信息和过于技术的内容。

目录：

• 一、核心概念
• 二、当前技术边界
• 三、瓶颈和机会（重点）

一、核心概念

1. TTS和ASR的概念区别

我们比较熟悉的ASR技术（Automatic Speech Recognition，语音识别），是将声音转化为文字，可类比于人类的耳朵。

而TTS技术（Text-To-Speech，语音合成），是将文字转化为声音（朗读出来），类比于人类的嘴巴。大家在Siri等各种语音助手中听到的声音，都是由TTS来生成的，并不是真人在说话。

TTS的技术实现方法，主要有2种：“拼接法”和“参数法”。

2. 拼接法

1. 定义：从事先录制的大量语音中，选择所需的基本单位拼接而成。这样的单位可以是音节、音素等等；为了追求合成语音的连贯性，也常常用使用双音子（从一个音素的中央到下一个音素的中央）作为单位。
2. 优点：语音质量较高。
3. 缺点：数据库要求太大，一般需要几十个小时的成品预料。企业级商用的话，需要至少5万句，费用成本在几百万元。

3. 参数法

（1）定义：根据统计模型来产生每时每刻的语音参数（包括基频、共振峰频率等），然后把这些参数转化为波形。

主要分为3个模块：前端、后端和声码器。

前端做的事情，是把文本进行解析，决定每个字的发音是什么，这句话用什么样的语气语调，用什么样的节奏来读，哪些地方是需要强调的重点等等。常见的语气相关的数据描述包含但不限于下面这些：韵律边界、重音、边界调、甚至情感。 还有更多的信息甚至是难以客观描述的，目前的算法只能暂且忽略。

注：拼接法和参数法，都有前端模块，拼接和参数的区别主要是后端声学建模方法的区别。

（2）优点：数据库要求相对较小一些。

• 如果只需要出声（做demo），大概500句就可以，但是效果肯定不行。
• 通用TTS，一般至少需要5000句，6个小时（一般录制800句话，需要1个小时）——从前期的准备、找人、找录音场地、录制、数据筛选、标注，最终成为“可以用的数据”，可能至少需要3个月。（讯飞在各方面比较成熟，用时会短很多）
• 个性化TTS，大多数是用“参数”方法的。（adobe、微软也有尝试过拼接法，不过相对参数方法来说不是太成熟，效果也并不是太通用）

（3）缺点：质量比拼接法差一些，因为受制于发声算法，有损失。

因为主要弱点和难点就是声码器，声码器的作用是复现声音信号，难在重现声音细节，并且让人听不出各种杂音、沉闷、机械感等等。目前常见的声码器都是对声音信号本身作各种理论模型，以及简化假设，可以说对细节的描述近似于忽略。

注：DeepMind的WaveNet，基本解决了声码器的问题。因为他们直接对语音样本进行预测，不依赖任何发音理论模型。最后出来的音质细节十分丰富，基本达到了与原始语音类似的音质水准（所谓质量提高了50%，就是这里），而且几乎可以对任意声音建模（这就太牛了）。

4. TTS的评判标准

（1）主观测试（自然度），以MOS为主

MOS（Mean Opinion Scores），专家级评测（主观）；1-5分，5分最好。

注：微软小冰公开宣传是4.3分，但有业内朋友认为，也不能据此就说其“绝对”比科大讯飞好，因为每次评审的专家人选都不一样。说白了，目前整个AI行业内，还是各家说自己好的节奏。

ABX，普通用户评测（主观），让用户来试听两个TTS系统，进行对比，看哪个好。

每次主观测评应该有区分，比如：这次着重听多音字，下次主要听语气词等。

（2）客观测试

1. 对合成系统产生的声学参数进行评估，一般是计算欧式距离等（RMSE、LSD）。
2. 对合成系统工程上的测试：实时率（合成耗时/语音时长）、首包响应时间（用户发出请求到用户感知到的第一包到达时间）、内存占用、CPU占用、3*24小时crash率等。

二、技术边界

1.通用TTS

在用户预期不苛刻的场景（APP/硬件），能满足商业化需求，比如：语音助手/滴滴/高德/智能音箱/机器人），但如果用户预期非常高的话，是很难满足的，因为还是会有“机器感/机械感”，不能非常自然的模拟人声。

目前行业各家公司的产品效果差不多，都基本能商用。

2. 个性化TTS

在用户预期不苛刻的场景，能“基本”满足商业化需求，但是效果没通用TTS那么好。但如果用户预期非常高的话，暂时是满足不了的。

目前行业内能成熟商用的，主要还是科大讯飞，也有些创业公司在这个领域有所布局，如微量分贝（HEARD）这家致力于海量内容音频化的企业，对声音进行了分门别类的生成和储备，他们瞄准的企业级需求也会更为个性化、品牌化，诸如阿里巴巴旗下的“动物园”品牌（如天猫、闲鱼、盒马、菜鸟等），都会生成诸如“小猪佩奇”这样的角色化TTS 并被商用。

3. 情感TTS

目前业界的情感合成更多了，是因为数据本身变多了、更有节奏了，超过了传统的播音风格，但并不是真正的“喜怒哀乐”等情感合成（想高兴就高兴的这种智能）。

在情感TTS的理论方面，学术界是有储备的，但是，整个行业目前都没怎么做（或者没做好）。是因为情感TTS很依赖“情感意图识别”，“情感特征挖掘”、“情感数据”以及“情感声学技术”等，是个系统工程。

其中第1点，即是和自然语言处理相关，比如：需要知道“什么时侯该高兴或悲伤”；同时，具有情感演绎的语音数据的储备，也非常重要。

三、瓶颈和机会

主要有5个方向的瓶颈（同时也是机会）。

1. 基础技术

（1）TTS技术正处于重大变革：端到端（End-to-End）的TTS建模方法，加上WaveNet 的声码器思想，是未来TTS的发展方向。

端到端TTS，一般指tacotron，tacotron只是Google提出的合并了原先时长模型和声学模型的中段结构，可以接任何TTS前端和TTS后端。

• TTS前端，如：中文分词、注音、词性，都会提升tacotron性能；
• 后端，参数、拼接、wavenet都可以选用。

关于WaveNet技术的商业化：Google今年初将第二代WaveNet技术商业化了，速度比第一代快一万倍。而国内各家公司，基本也仿制出来了（论文算法），但工程化还需要时间，而且成本还是太高，短期内应该没法商用。

关于效果：TTS最终效果好坏，技术只占50%不到，在技术都差不多的情况下，声优质量和数据量最重要。其次是相同部署规模和成本的TTS才能相互比较，即，不能简单的说哪家公司的效果比另一家更好。

• 比如：拿百度/腾讯/阿里/图灵等很多家AI公司的WaveNet v1的效果，一般都能超过讯飞线上的接口，但部署成本高几万倍，且不实时。WaveNet V2商业化以后，虽然能实时，但部署成本至少也比高配拼接TTS高10倍左右。
• 成本，部分和采样率相关，例如：讯飞/百度TTS的采样率都是16k，如果用24k和48k，主观体验至少强50%，但成本会翻倍。也就是说，其他AI公司的24kTTS的MOS，能吊打讯飞/百度的API，但不能说他们的技术就比讯飞/百度强，因为在商业化时，会牺牲效果来降低成本。

（2）如何让离线版效果达到在线版水平？

很多客户希望（奢望）有离线版本，并且效果和在线版本一样好……

现阶段来说，可能真是“臣妾做不到啊”。

2. 数据缺乏

一方面，特别是个性化TTS，需要数据量更大。比如：默认男孩声音，要转成女孩，就比较难。

另一方面，数据的获取（制作）成本和周期，也是各家在初期的竞争着力点，比如：一般来说，一款（套）TTS数据，至少需要先录制2-3万句话，再加上数据标注，通常耗时在3个月以上（且需要主播全力配合）。对于30小时的数据，价格通常在30-50万，而上文提到的微量分贝（HEARD）这家公司，调动了8000 位优质播音人员，在给不同内容配音的同时，也做了大量结构化数据的存储（库存化）。

这样，针对大部分客户的数据需求，并不需要再找主播进行录制，而是直接从仓库调取数据进行解冻即可（数据标注）。通过将这种 “边进行业务边赚取数据”的流程标准化，其获取数据的成本大大降低到行业的五分之一 ，并且一旦有需求，可以在1个月内进行交付。

这家公司在南方搭建的数据标注工场的规模，也是巨大的，包括华为等公司都从其采购语音合成数据。

3. 人才匮乏

不仅没法跟NLP、CV等热门AI人才比，就算跟同样不算热门的ASR比，TTS的人才都还要少一些。

4. 产品化难度

由于技术限制，现阶段不可能有非常完美的TTS效果，所以

尽量选择用户预期不苛刻的场景，或者在产品体验设计时，管理好用户预期（比如：打车软件，郭德纲/林志玲的声音，差不多就行）。

选择“参数法”还是“拼接法”，和公司的技术储备、成本、以及产品目标相关。在垂直领域，现有的TTS技术（参数或者拼接）都可以针对产品做得很好。现在行业还没有太好的效果，很大原因是因为产品经理还没有深入介入，有很多细节的坑要踩（产品设计 工程化实现）——未来应该会有惊艳的产品出现。

体验细节设计，和一般互联网产品很不同，比如

1. 文案设计，非常重要。因为在语音交互场景，不能太长，用户没耐心和时间听完的。
2. 可以加入背景音乐，掩盖杂音等细节瑕疵。
3. 特殊场景，还有特别的需求，比如：远场场景和戴耳机场景相比，还是会有区别的。
4. 中英文混合TTS，比如：用户想播首英语歌曲，困难在于：所有中文的发音当中，中文和英文合拍念出来是很难的，为什么呢？因为往往录音的人，录中文是一批人，录英文又是一批人。两种语言结合起来，再用机器学习学出来，声音就会变得非常怪。这方面，小雅音箱曾经花了很大的精力和成本去“死磕”解决。

5. 商业化压力

如果要有足够的市场竞争力，至少需要12个月的时间，2~6人团队（如果有人做过前端相关工作，会节省巨大成本——工作量主要在中文前端NLP部分，比如：分词、注音、词性文本规整化等），几百万资金投入（1个GPU一年十万，支持并发只有几十个）。并且，大公司的先发优势巨大，小公司必须切细分场景。

我个人认为：个性化TTS、情感TTS会在各细分场景得到更大的应用，比如：知识付费、明星IP、智能硬件、车联网、实体/虚拟机器人等。

附：相关资料

1. 相关高校及实验室

语音合成涉及专业领域较广，包含语言学、听觉与发声机理、自然语言分析、深度学习、信号处理等诸多领域，是一门综合性学科。

国际上，英国爱丁堡大学Simon King教授，卡耐基梅隆大学Alan W Black教授， 日本和歌山大学Kawahara教授，谷歌Heiga Zen所在的实验室均为国际顶级实验室。

国内来说，中国学术届也一直走在行业的前列，国际语音合成挑战赛blizzard challenge已经连续10多年冠军在中国。

国内大部分的语音合成人才，均来自于中科大、中科院自动化所、中科院声学所、清华大学、西北工业大学等几家单位，比如：西北工业大学的谢磊老师组，已向语音合成届输送了大量人才，在微软、百度、搜狗、小米、IBM、讯飞、流利说、出门问问、猎户星空、同盾等公司的核心岗位上，都有来自西工大的学生。

2. 参考文章

• 《目前，人工智能语音在说中文时的语气感觉上还比较机械，怎样使人工智能语音的语气更自然一些？》
• 《如何评价谷歌下一代语音合成系统WaveNet？》
• 《TTS(Text-To-Speech)的原理是什么？》
• 《百度Deep Voice作者与Bengio团队探讨五大技术细节，端到端的语音合成还有多远？》

3. 相关产品

讯飞配音app、讯飞朗读助手app、闪电配音等。

4. 有趣视频

《武汉地铁语音播报已逆天，这是要称霸全国的节奏啊》

#专栏作家#

hanniman，人人都是产品经理专栏作家，前腾讯、现创业公司PM；专注于人工智能领域的产品化研究，关注人机交互（特别是语音交互）在手机、机器人、智能汽车、智能家居、AR/VR等前沿场景的可行性和产品体验；擅长对创业团队管理、个人成长提出实战型的建议方案；知乎/简书/微博帐号，均为hanniman。

题图来自 Pixabay，基于 CC0 协议

,