黑客技術(shù) 點(diǎn)擊右側(cè)關(guān)注，了解黑客的世界！

Java開(kāi)發(fā)進(jìn)階 點(diǎn)擊右側(cè)關(guān)注，掌握進(jìn)階之路！

Python開(kāi)發(fā) 點(diǎn)擊右側(cè)關(guān)注，探討技術(shù)話(huà)題！

作者丨世超 來(lái)源丨差評(píng)（chaping321） https://mp.weixin.qq.com/s/Tafx0f4BZutFMl9o3GYK_Q

在開(kāi)始之前，世超想先給大家聽(tīng)?zhēng)锥握Z(yǔ)音，然后大家感受一下，覺(jué)得哪段最像是真人在說(shuō)話(huà)呢？

語(yǔ)音合成引擎效果測(cè)試

世超也在前面的視頻里標(biāo)出來(lái)了，這幾段語(yǔ)音其實(shí)都是用各家研發(fā)的語(yǔ)音轉(zhuǎn)文字引擎生成出來(lái)的。而這項(xiàng)又被稱(chēng)為語(yǔ)音合成的技術(shù)，其實(shí)已經(jīng)發(fā)展了有一些年頭了。

像我們?nèi)粘Ｓ玫闹悄苤怼?dǎo)航語(yǔ)音、甚至聽(tīng)到的一些新聞播報(bào)，用到的都是機(jī)器合成的語(yǔ)音。

AI 主播每天自動(dòng)合成語(yǔ)音和視頻生產(chǎn)新聞內(nèi)容

來(lái)源：澎湃新聞 App

如何合成一段語(yǔ)音

語(yǔ)音合成看起來(lái)很復(fù)雜，但其實(shí)合成語(yǔ)音我們自己在家就能做：

比如把「 支付寶到賬 」、「 元 」和「 一二三四五六 」一類(lèi)的詞都錄好，以特定的拼接組合方式播放出來(lái)，你就收獲了中國(guó) 8 億支付寶用戶(hù)都聽(tīng)過(guò)的報(bào)賬聲。

當(dāng)然了你自己錄的聲音既不甜美，也收不到錢(qián)

這種通過(guò)「 拼接 」一段段音頻，最終獲得一份語(yǔ)音的方式，就叫做拼接法。

拼接法制作的合成音，在日常生活中其實(shí)最早可以追溯到 你家街邊拐角當(dāng)年放學(xué)以后必去的小賣(mài)部里那位收銀阿姨在結(jié)賬時(shí)手里按著的那個(gè) 超大號(hào)計(jì)算器的語(yǔ)音播報(bào)聲。

“ 加一，加一，加二，等于，歸零！”

最原始的拼接法錄制的樣本就是那么幾個(gè)固定短語(yǔ)句子，給導(dǎo)航錄的音就只能用于導(dǎo)航，你要是問(wèn)它今天天氣怎么樣，它哪怕知道答案也沒(méi)法用語(yǔ)音播報(bào)出來(lái)。

后來(lái)，有個(gè)聰明人一拍腦袋，想出來(lái)一個(gè)絕招：要是我把每個(gè)中文字都錄一遍，不就什么話(huà)都能拼起來(lái)了么。

不過(guò)，拼接法合成的語(yǔ)句還有一個(gè)重大缺陷：語(yǔ)氣和停頓。

給支付寶配音的展妍小姐姐就曾自曝，在錄「 四 」的音時(shí)錄了好幾個(gè)發(fā)音，才保證了不同場(chǎng)景下的合成效果。

來(lái)源：小時(shí)視頻24

并且拼接法也不知道該怎么給「 小明找不到 / 爸爸媽媽很著急 」，「 小明找不到爸爸媽媽 / 很著急 」斷句。

拼接法能解決每一個(gè)字怎么念的問(wèn)題，但是讀出來(lái)肯定不像一個(gè)正常人。

所以怎么讓合成語(yǔ)音聽(tīng)起來(lái)更逼真，成了大家優(yōu)化的重中之重。

如何讓語(yǔ)音更逼真

這個(gè)時(shí)候，除了增加樣本量，我們還必須引入另外一樣關(guān)鍵的技術(shù)：算法。

有了算法的合成音就仿佛被注入了靈魂。說(shuō)的直白點(diǎn)，就是「 聰明的算法，知道怎么處理一句話(huà)的語(yǔ)氣和停頓 」。

而這種使用算法輔助生成合成音的方式，叫做參數(shù)法。

參數(shù)法對(duì)音源的要求自然更高，「 消除靜音片段 」、「 專(zhuān)業(yè)錄音環(huán)境 」這些都是常規(guī)操作，最關(guān)鍵的是，需要錄制的聲音不再是字的發(fā)音了。

小學(xué)語(yǔ)文教會(huì)了我們，每個(gè)字的發(fā)音其實(shí)都可以通過(guò)類(lèi)似「波（ b ）破（ p ）么（ m ）佛（ f ）」這類(lèi)的聲母和韻母的兩兩組合出來(lái)。

因此只要錄下了這些聲母和韻母的發(fā)音，再通過(guò)算法進(jìn)行合成，任何聲音、任何語(yǔ)調(diào)就都能被生成出來(lái)。

連那些只聞其聲不見(jiàn)其形的那些字兒也不在話(huà)下。。

你餓了嗎？

不過(guò)合成音每逼真一分，背后需要考慮到的情況都要增加數(shù)倍，很多時(shí)候，簡(jiǎn)易的算法都不能正確計(jì)算出一句話(huà)應(yīng)有的語(yǔ)調(diào)、語(yǔ)氣。

而一旦算法變得復(fù)雜了，運(yùn)算量也就增加了，合成音的生成速度也就變慢了。（ 電費(fèi)也增加了 ）

來(lái)源：DeepMind 博客

以現(xiàn)在這些大企業(yè)的能力來(lái)說(shuō)，只要肯燒性能，逼真的合成音大家都能做出來(lái)，但要使用什么復(fù)雜程度的算法，就要在 “ 效果 ” 和 “ 效率 ” 之間做權(quán)衡了。

像我們平常在翻譯 App 里聽(tīng)到的合成音都比較粗糙，畢竟不能賺錢(qián)嘛，能聽(tīng)個(gè)響就得了。

而在能有錢(qián)進(jìn)賬的項(xiàng)目上，合成語(yǔ)音卻做得栩栩如生、惟妙惟肖。

譬如不差錢(qián)的廣告商們，就很喜歡買(mǎi)這種服務(wù)，畢竟只要量上來(lái)了，肯定比雇真人打電話(huà)便宜不是。

說(shuō)起來(lái)，大家肯定猜不到，走在合成語(yǔ)音技術(shù)應(yīng)用最前沿的場(chǎng)景是什么。。

是詐騙！

為了騙倒更多人，騙子們是真肯下血本兒啊。。。

就算是這樣，我們也不能只盯著語(yǔ)音合成不好的地方。

像語(yǔ)音助理和智能音箱，平時(shí)方便了不少人。

再比如編輯部里經(jīng)?？葱≌f(shuō)的實(shí)習(xí)生告訴世超，現(xiàn)在的合成音越來(lái)越有「 說(shuō)書(shū)人 」的味道了，自從開(kāi)始「 閉眼聽(tīng)書(shū) 」之后，他感覺(jué)眼睛都煥發(fā)了新生。

起點(diǎn)閱讀 App 內(nèi)集成的百度合成語(yǔ)音閱讀模塊

說(shuō)不定以后，我們也能把自己年輕時(shí)候的聲音永遠(yuǎn)保存下來(lái)，到時(shí)候讓年老的自己和年輕的自己來(lái)一段對(duì)話(huà)，想想好像也挺有意思的~

特別鳴謝：感謝出門(mén)問(wèn)問(wèn)的技術(shù)人員支持~

參考資料：

黃釗，語(yǔ)音合成 TTS

Aaron Zhuang，端到端語(yǔ)音合成-從入門(mén)到放棄

小時(shí)視頻，支付寶聲優(yōu)：靠一句話(huà)刷屏，來(lái)自臺(tái)灣顏值爆表

S King，A beginners’ Guide to Statistical Parametric Speech Synthesis

Dr. E Chandra，A Akila，An Overview of Speech Recognition and Speech Synthesis Algorithms

“ 如果給你一個(gè)語(yǔ)音合成引擎，你會(huì)讓它說(shuō)些什么呢？”

推薦↓↓↓

長(zhǎng)

按

關(guān)

注

?【16個(gè)技術(shù)公眾號(hào)】都在這里！

涵蓋：程序員大咖、源碼共讀、程序員共讀、數(shù)據(jù)結(jié)構(gòu)與算法、黑客技術(shù)和網(wǎng)絡(luò)安全、大數(shù)據(jù)科技、編程前端、Java、Python、Web編程開(kāi)發(fā)、Android、iOS開(kāi)發(fā)、Linux、數(shù)據(jù)庫(kù)研發(fā)、幽默程序員等。

萬(wàn)水千山總是情，點(diǎn)個(gè) “ 在看” 行不行