我相信大多數(shù)人對(duì)語(yǔ)音助手已經(jīng)不陌生了。很多人也已經(jīng)和 iOS 中的語(yǔ)音助手 Siri 進(jìn)行過(guò)對(duì)話，不論是逗它玩還是真的需要它的幫助。
對(duì) Siri 來(lái)說(shuō)，要聽懂你說(shuō)的是什么并不難，但真的要和它進(jìn)行一場(chǎng)對(duì)話的話，你一定會(huì)感到怪怪的。拋開它是否能正確的回答你的問(wèn)題不說(shuō)，它回復(fù)你的聲音就會(huì)讓你明顯感覺到自己并不是在和一個(gè)人聊天。
的確，在語(yǔ)音識(shí)別這件事上，國(guó)內(nèi)外頂尖的公司都已經(jīng)能做到95%左右的準(zhǔn)確識(shí)別率。但在語(yǔ)音生成上，幾乎沒(méi)有公司能讓機(jī)器人說(shuō)的話跟人說(shuō)出來(lái)的話一樣，即便是一些簡(jiǎn)單的詞組，你也一耳就能聽出是機(jī)器合成的還是真人播報(bào)。
但隨著人們?cè)絹?lái)越多的使用語(yǔ)音交互，如何讓電腦的聲音聽起來(lái)更具人性化，已經(jīng)成為了擺在很多軟件公司和程序員面前的大挑戰(zhàn)。
據(jù)《紐約時(shí)報(bào)》報(bào)道，IBM 曾在世紀(jì)之交花了18個(gè)月的時(shí)間讓機(jī)器人沃森(Watson)可以說(shuō)話，但盡管沃森已經(jīng)非常聰明，它說(shuō)話的本領(lǐng)仍然很差。因?yàn)槁犉饋?lái)根本不像人聲。
Michael Picheny，IBM 實(shí)驗(yàn)室資深經(jīng)理。圖片來(lái)自《紐約時(shí)報(bào)》
現(xiàn)在電腦語(yǔ)音都是用機(jī)器合成的(除了部分天氣預(yù)報(bào)和導(dǎo)航提示是完全人工錄制)，合成最終語(yǔ)音的真人語(yǔ)音數(shù)據(jù)庫(kù)通常非常龐大，數(shù)據(jù)庫(kù)里有某個(gè)單詞的真人發(fā)音，以及這個(gè)單詞不同語(yǔ)調(diào)的發(fā)音，甚至這個(gè)單詞的部分發(fā)音。一位配音者通常需要花至少10個(gè)小時(shí)才能完成一個(gè)語(yǔ)音數(shù)據(jù)庫(kù)的錄入。
盡管語(yǔ)音數(shù)據(jù)庫(kù)已經(jīng)非常龐大，但是在合成語(yǔ)音的時(shí)候，仍然無(wú)法做到接近真人發(fā)聲。其中最大的難點(diǎn)是讓合成音帶有人類的感情。卡內(nèi)基梅隆大學(xué)語(yǔ)言技術(shù)研究院的計(jì)算機(jī)科學(xué)家 Alan Black 告訴《紐約時(shí)報(bào)》，他們并沒(méi)有辦法告訴語(yǔ)音合成器說(shuō)，這段話要帶有感情的去朗讀。
當(dāng)然，設(shè)計(jì)者也經(jīng)常強(qiáng)調(diào)他們并不希望用合成語(yǔ)音來(lái)騙人說(shuō)這是真人語(yǔ)音。但他們?nèi)匀幌Ｍ麢C(jī)器和人的語(yǔ)音交互能更加自然，更像人和人之間的交流。
事實(shí)上，如果機(jī)器發(fā)音和真人發(fā)音過(guò)于接近，會(huì)讓人感到很不舒服。日本機(jī)器人科學(xué)家森政弘曾在1970年發(fā)表了一篇題為《恐怖谷》的文章，核心就是說(shuō)，當(dāng)機(jī)器人和人的相似程度過(guò)于接近的時(shí)候，機(jī)器人身上的一點(diǎn)點(diǎn)小瑕疵，都會(huì)讓人感到不安。
根據(jù)森政弘的假設(shè)，隨著人類物體的擬人程度增加，人類對(duì)它的情感反應(yīng)呈現(xiàn)增-減-增的曲線。恐怖谷就是隨著械器人到達(dá)“接近人類”的相似度時(shí)，人類好感度突然下降至反感的范圍。“活動(dòng)的類人體”比“靜止的類人體”變動(dòng)的幅度更大。圖片來(lái)自維基百科
根據(jù)森政弘的假設(shè)，隨著人類物體的擬人程度增加，人類對(duì)它的情感反應(yīng)呈現(xiàn)增-減-增的曲線。恐怖谷就是隨著械器人到達(dá)“接近人類”的相似度時(shí)，人類好感度突然下降至反感的范圍。“活動(dòng)的類人體”比“靜止的類人體”變動(dòng)的幅度更大。圖片來(lái)自維基百科
ToyTalk 是一家為兒童玩具制作人聲的公司，其 CEO Brian Langner 就表示，當(dāng)機(jī)器能做對(duì)一些事情的時(shí)候，人們會(huì)認(rèn)為它能做對(duì)任何事。所以在他的產(chǎn)品里，他會(huì)讓機(jī)器故意犯一點(diǎn)錯(cuò)。畢竟他做的是玩具，犯點(diǎn)錯(cuò)讓人們一笑也沒(méi)什么不好的。
現(xiàn)在的問(wèn)題是，經(jīng)過(guò)了那么多科學(xué)家的努力，在合成語(yǔ)音這件事上，我們還無(wú)需擔(dān)心“恐怖谷”的到來(lái)。
為了讓沃森能“好好說(shuō)話”，IBM 招募了25位配音演員，經(jīng)過(guò)大量的實(shí)驗(yàn)和調(diào)整，他們終于合成了一個(gè)聽起來(lái)讓人感到比較舒服的聲音——雖然人們還是很明顯能聽出這不是真人在說(shuō)話。
如果語(yǔ)音交互要有大發(fā)展的話，合成語(yǔ)音必須要讓人聽起來(lái)更舒服。不然的話，這種交互只能說(shuō)是語(yǔ)音輸入，機(jī)器執(zhí)行，人類和機(jī)器之間并沒(méi)有真正的交流。
