CTI論壇(ctiforum.com) （編譯/老秦）： 文本轉(zhuǎn)語音 (TTS) 是一個已有數(shù)十年歷史的領域，但采用通常僅限于少數(shù)幾個領域，因為合成語音讓人感覺不自然和機器人化。但在過去的五年里，由于深度學習，合成聲音（又名神經(jīng) TTS）可以變得更加自然和悅耳。音調(diào)、節(jié)奏、發(fā)音、口音、情感和說話風格可以根據(jù)需要進行調(diào)整。
Amazon、Google、IBM 和 Microsoft 等大型云供應商提供的 APIs允許開發(fā)人員輕松地將語音功能添加到各種應用程序中。除了大型供應商之外，許多創(chuàng)新的初創(chuàng)公司和專家正在想象合成語音的新可能性。
這些不同的用例分為兩大類。
朗讀用例
公司可以為這些用例使用庫存語音或創(chuàng)建定制的合成語音（包括名人語音）。
·客戶服務。自動語音應答是最古老的用例之一，但對話路徑和響應必須仔細預先錄制并完全編寫腳本。開放式對話是有限的，因為不可能預先記錄每一個潛在的反應。現(xiàn)在，通過在有限的訓練數(shù)據(jù)語料庫（即預先錄制的音頻）上使用人工智能，可以創(chuàng)建合成語音并將其用于開放式對話應用程序。
·新聞閱讀。許多出版物（例如，華盛頓郵報、BBC、華爾街日報）都使用 TTS，因此讀者可以收聽文章。一些媒體網(wǎng)站提供"聽故事"作為付費訂閱者的高級功能。
·電子郵件。將向您讀出電子郵件（例如，在 Microsoft Outlook 中）。例如，當您開車時，這可以實現(xiàn)免提體驗。
·輔助技術。語音銀行可以幫助患有運動神經(jīng)元疾病的人生成自己的合成語音，可用于輔助語音設備。一些應用程序使有語言障礙的用戶能夠通過 TTS 接口設備說話。為了幫助有視力挑戰(zhàn)的用戶，有一些應用程序可以讀出處方標簽、產(chǎn)品標簽，還有一些應用程序可以提供用戶周圍環(huán)境的提示和描述。
富媒體內(nèi)容用例
這組用例通常涉及音頻和視頻內(nèi)容。
·配音。視頻配音和畫外音并不新鮮，但 Netflix 等流媒體平臺的興起創(chuàng)造了全球觀眾和對將內(nèi)容配音成多種語言的新需求。通過混合使用語音識別、機器翻譯和合成聲音，可以將音頻配音為原始演員聲音中的不同語言。唇形同步曾經(jīng)是配音為不同語言的內(nèi)容的問題，但現(xiàn)在人工智能有助于創(chuàng)建與口語相匹配的合成唇形動作。
·音頻編輯。這是一個創(chuàng)新用例，有助于減少音頻編輯的障礙。使用自動生成的腳本或文本，您可以通過修改相應的文本來刪除填充詞、添加新音頻或刪除片段。這有可能大大降低編輯成本和時間。
·在線和元宇宙安全。使用人工智能，聲音可以被轉(zhuǎn)換或改變，同時保留其情感和表現(xiàn)力。就像游戲玩家將視覺皮膚應用于他們的化身一樣，可以應用語音皮膚來保護隱私并減少游戲環(huán)境或基于音頻的社交媒體（例如 Twitter 空間或俱樂部會所）中的騷擾。
道德問題和風險
隨著合法用例的增加，濫用和欺詐的可能性也在增加。
用戶同意使用合成聲音。在一部關于已故名廚 Anthony Bourdain的紀錄片中，他的合成聲音被用來讓他"說出"幾句他從未真正說過的臺詞。這樣的例子提出了'同意'的問題，什么是允許的，什么是不允許的。
·深度偽造Deepfakes。不難想象，隨著合成音頻和視頻功能變得更好，我們將如何充斥著復雜的公眾人物（甚至是普通公民）的深度偽造。它可能是一個錯誤信息的雷區(qū)，會對公眾信任和信息來源的可靠性產(chǎn)生影響。
·語音網(wǎng)絡釣魚和欺詐。《華爾街日報》報道說，一位 CEO 的聲音被利用進行欺詐，以他的聲音給他的同事打電話，指示資金轉(zhuǎn)移，這是一種全新的網(wǎng)絡犯罪類別，由合成聲音和社會工程學結合而成。
公司需要善于負責任地使用合成語音用例來改善用戶體驗，提供更好的客戶服務，并創(chuàng)造新的產(chǎn)品和服務。但他們還需要防范惡意行為者的對抗性攻擊。對于語音應用來說，這是一個勇敢的新世界。
KashyapKompella是全球人工智能行業(yè)分析公司 rpa2ai Research 的首席執(zhí)行官，也是《實用人工智能：企業(yè)手冊》的合著者。
聲明：版權所有 非合作媒體謝絕轉(zhuǎn)載
作者：KashyapKompella
原文網(wǎng)址：https://www.speechtechmag.com/Articles/Columns/Interact/The-Rise-(and-Risks)-of-Speech-Synthesis-Applications-154268.aspx
