这个场景并不迢遥，不久前，“AI First”的谷歌表示，其最新版本的人工智能语音合成系统——Tacotron2合成出来的语音险些和真人声音千篇一律。
它拥有两个深度神经网络，第一个能够将文本转化为频谱图，第二个则卖力将频谱图天生相应的音频。

而麻省理工评论则认为百度的技能则更进一步，百度在最近发布的新论文中表示，该技能只要通过一个半小时的语音数据的学习，就能“克隆”出原工具的声音。

虽然以前百度的“Deep Voice”也能够天生语音，但让天生出来的语音附带不同的措辞特色正是语音天生的一大打破，而且它除了能“克隆”之外，还能对该声音的性别或口音进行变动，乃至还能授予该克隆声音一些大略的情绪。

语音克隆技能是什么？又能做些什么？

语音合成技能有三种，但只有AI技能才称为语音克隆

最早的语音合成技能通过预先录制好的字词、短句来实现的，把各个部分串成一行，以此产生完全的句子。
生活中各种做事热线的自助语音系统便是用这种办法实现的，以是会常常存在卡顿，音色不一样等问题，语气也很冰冷。

第二种手段虽然能够使语音更加自然，但个中也须要大量的人工处理，首先是制作语音库，确定音色、风格、特性、角色等哀求后，投入音库生产线，设计录音脚本、演习录音资源、进行效果优化，在输出的时候还要进行各种措辞处理，包括文本规整、词的切分，然后是韵律处理，为其划出音段特色，如音高、音长和音强等等，使合成的语音给人的觉得更加自然些。

但这类合成系统由于进行韵律预测处理方面的事情量巨大、以是也存在表现能力不敷等问题，如合针言音对不同情绪的表达会不足恰当，使得合针言音听起来缺少人情味。
而语音合成的技能发展不仅要让说话的声音达到真人水准，也应该在情绪表达方面有所打破，使语音交互带有情绪，达到更好的互换体验。

最近爆出的百度Deep Voice技能，则是通过深度学习技能实现“语音克隆”的，通过真实语音的演习，能在“听”的过程中学会每个人说话时字词、音位和句子的发音特点，并通过模拟这个人声音中的情绪和语调，“说”出全新的语句；“一听一说”之间，全体过程基本不用人工干预，深度学习技能可以自行完成所有事情。

详细来说，百度的研究职员是通过两种详细的方法来实现的：说话人适应（speaker adaption）和说话人编码（speaker encoding）。
它们可以只用最少的音频数据来完成任务，并且在深度语音系统中，纵然处于一个多扬声器模型，也不会降落质量。

个中“说话人适应”是利用多个克隆样本，基于反向传播的优化方法对多个说话人语音天生模型做风雅调节。
这个方法可以只浸染于低维度的说话人嵌入，或者浸染于全体模型；在低纬度的嵌入时，每个说话人所需的参数量比较少，而且须要较长的克隆韶光，天生语音的质量也会差一些。

个中“说话人编码”则须要演习一个单独的模型，用它直接从语音样本中推断出一个新的嵌入数据，然后再把这个嵌入数据用在多个讲话人语音天生的模型中。

而且这个方法还带有时域和频域的处理模块，可以从音频样本分析中提取到有关说话人的身份信息，然后用把稳力模块把各种信息以最优的办法结合起来。
这个方法的好处是克隆耗时少、标明说话人信息所须要的参数少，使得这种方法在输入资源有限的场景中也能够利用。

语音克隆的功与过

在人机交互的个性化场景中，研究职员预期语音克隆可能会有很主要的浸染，如可以用来订制个人AI助手、读书音频以及残疾人语音系统等，且对有措辞障碍人来说，这个程序能帮助他们练习发声，使他们更随意马虎与人互换，这种过程就像是在和一个善解人意的朋友在谈天一样，可能会成为一个主要的社交工具。

而在生理医疗领域，如果能复原出逝者的声音，这对付痛失落亲人后在生理上造成了创伤的人们来说，也无疑是巨大的安慰。

不过语音克隆也会带来一些麻烦，它可能会被用来对"大众年夜世人物进行恶意攻击；也可能会使声纹识别形同虚设，由于据《新科学家》宣布，利用人工智能技能造作声音识别软件，在测试中，准确率已经超过了95%。

也可能毁坏录音作为法律证据的可信度；还可能会用来假冒他人身份，成为语音诱骗的帮凶。
它预示着未来的声音可能会像照片一样，可以很随意马虎地进行假造。

但克隆出的人类声音，这个中还是会有些细微差别，经不起详细考虑——取证专家可能会通过剖析语音中的数字署名，从而证明其为合针言音。

而研究职员也开始在研究一种“声纹”系统，以期其能很随意马虎的分辨出原声和天生的语音；不过语音克隆还是存在着很多隐患，由于在普通的生活当中，足以造成相称严重的误导性效果。

实现“完美”的语音克隆，最大一道坎在哪？

智能相对论认为，完美的语音克隆，也该当能够克隆出说话人携带的情绪，而不仅仅是音色等表象的元素，就像是这个声音拥有自己的灵魂。
而目前语音克隆能够进行的情绪表达，更多的是研究职员修正完成的，而且还须要对各种情绪进行标注。

谷歌的Tacotron2系统也还只能进行模式化的情绪表达，如根据输入文本的标点符号的不同而在语气上有所区分；在读大写单词时加重语气等。

百度和谷歌的语音合成技能暂时不能达到自行合成情绪，这也是语音克隆其技能本身所限，要实现合成出的每一句话有其恰当的情绪，这里面有情绪识别、情绪自动标注、语气调度等大量的数据和工程难度，用度和技能也暂时难以超出。

而更进一步，想要和机器进行有情绪语音的交互就更加困难了，由于这并不是单一技能所能完成的，它除了能输出情绪之外，还必须哀求自然措辞处理技能能够识别出人类表达中的各种情绪，以此作为回应的条件，而这已经超出了语音克隆的技能范围。

在语音交互中，让机器能够自然、顺畅的说话是人机交互的一大哀求，表现力、音质、繁芜度和自然度一贯是语音合成所追求的。

而随着AI技能的发展，语音交互的音质、流畅度、自然度都得到了很大的提高，但在表现力方面依旧是其最大的痛点，不过随着各大厂商的持续发力，未来使机器也能像朗读者一样，抑扬抑扬、情绪起伏、拿捏到位也不是梦想。

【钛媒体作者先容：作者 |王 志，文章来源 | 智能相对论（aixdlun）】

更多精彩内容，关注钛媒体微旗子暗记（ID：taimeiti），或者***钛媒体App