10月18日，記者在“心目圖書館”小程序中試聽了上述利用曉曉的聲音合成的有聲書《德國少年兒童百科知識全書——嚙齒動物》這一本的開頭部分，發(fā)現(xiàn)聲音相對一般的機(jī)器人聲音自然，但在一些斷句、停頓上仍然需要提升。

2018年10月，微軟發(fā)布了基于深度神經(jīng)網(wǎng)絡(luò)的文本到語音(text-to-speech，以下簡稱“TTS”)分析運行系統(tǒng)。10月15日是國際盲人節(jié)，上述合成的有聲書在這天上傳至心目圖書館——一個云端的圖書館——可以接觸到全國105所盲校的學(xué)生。該技術(shù)發(fā)布一年，在一些場景進(jìn)行了落地，其中幫助視障人群成為非常關(guān)鍵的應(yīng)用場景。

在過去，微軟和盲人公益組織紅丹丹視障文化服務(wù)中心(以下簡稱“紅丹丹”)進(jìn)行了合作，紅丹丹將目前盲人群體所缺乏的資源書籍(百科知識、文學(xué)類、教材等)挑選出，微軟通過神經(jīng)網(wǎng)絡(luò)合成語音“曉曉”來合成有聲書。

在此之前的10月9日，微軟亞洲互聯(lián)網(wǎng)工程院人工智能語音組資深產(chǎn)品總監(jiān)丁秉公在接受《中國經(jīng)營報》在內(nèi)的媒體記者采訪時介紹稱，這樣的書原本需要人來錄音，要找到錄音的人和錄音棚，耗時耗力，如果要錄高質(zhì)量的聲音需要花費更多的成本和時間。但是如果通過TTS合成方式，可以7乘24小時合成，只要有文本內(nèi)容，就可以源源不斷地輸出有聲內(nèi)容。“這打破了有聲內(nèi)容生產(chǎn)的壁壘。這個對視障人士群體來說特別有意義，雖然他們可以在市面上聽到一些有聲書，但是數(shù)量遠(yuǎn)遠(yuǎn)少于文本數(shù)量，如果我們可以自動地把文本轉(zhuǎn)化成有聲，可以極大地豐富視障朋友有聲閱讀的來源。”

成本更低

在具體的成本上，據(jù)微軟方面介紹，一本100頁左右的紙質(zhì)書籍，譯成盲文書籍需要400~500頁，制作成本在80~100元左右，成本相對較高。而通過TTS合成的有聲書，平均一本的價格在9000元左右。但一本有聲書做出來之后進(jìn)行云端傳輸，覆蓋到全國的盲校1萬多個學(xué)生，可能一本書成本平攤下來才不到1元錢，且可以做到無限量廣域傳播。

市面上充斥著各式各樣的有聲書，該項目合成的有聲書相比前者有什么區(qū)別?

對此，紅丹丹執(zhí)行主任曾鑫對記者解釋，這些有聲書根據(jù)盲校孩子和老師的需求來做，不是市面上已有的名著或者通俗小說類，而更多聚焦在目前市面上缺少的針對視障學(xué)生學(xué)習(xí)類或者成長類的有聲書籍。“這種書在市場上很難找到有聲版甚至是電子版，所以這方面很有需求。另外，我們也會根據(jù)青年人的學(xué)習(xí)需求，制作法律、公務(wù)員的考試教材等。市面上很難買到這類有聲教材，我們會通過這樣的技術(shù)手段幫學(xué)生以最快速度完成轉(zhuǎn)換，形成有聲書。”曾鑫說道。

據(jù)微軟人工智能女聲曉曉語音產(chǎn)品負(fù)責(zé)人劉越穎介紹，該技術(shù)目前可以提供兩種場景下的服務(wù)：一種是實時的合成，基本上是毫秒量級的，幾百毫秒就能夠反饋，一般用在智能對話、語音助理等場景。另一種是非實時的合成場景，比如一整本有聲書的長文本合成，大概需要總音頻時長的1/3。一個小時的音頻，可能十幾分鐘二十分鐘就能合成出來，如果是人工錄音，可能錄制一個小時的音頻，反復(fù)出錯，需要不斷地去錄和重復(fù)，三個小時才能錄出來一個小時的音頻成品，而機(jī)器十幾分鐘就可以，這就將人力三個小時的錄音節(jié)省到十幾分鐘，效率大大提升。

曾鑫也進(jìn)行了補(bǔ)充：“做有聲書的成本上，我們作為一個公益機(jī)構(gòu)，可能不像商業(yè)機(jī)構(gòu)。需要動用一些志愿者的資源來做，一本有聲書的錄制，對于我們而言最快的速度也需要花三個月才能完成。時間成本會很長，還包括人員的協(xié)調(diào)成本，現(xiàn)在用的這個技術(shù)大概幾十秒鐘或幾分鐘就能完成一本有聲書的制作，這個成本肯定是沒法比的。”

聲音力圖更自然

微軟語音、自然語言與機(jī)器翻譯的技術(shù)負(fù)責(zé)人黃學(xué)東曾在其文章中指出，TTS系統(tǒng)使用了深度神經(jīng)網(wǎng)絡(luò)，來克服傳統(tǒng)“文本到語音”系統(tǒng)在匹配口語的重讀和語調(diào)(稱為韻律結(jié)構(gòu))，以及將語音單元合成為計算機(jī)音頻方面的局限性。這使得聲音更加自然。

這些有聲書的語音來自微軟的聲音品牌“曉曉”，據(jù)丁秉公介紹，曉曉是第一個基于深度神經(jīng)網(wǎng)絡(luò)做的聲音。他表示，微軟平臺上的聲音品牌很多，最初合成的聲音聽起來非常不自然，一聽就知道它是機(jī)器人，長時間聽容易導(dǎo)致疲憊，經(jīng)過幾年發(fā)展，曉曉的聲音被研發(fā)出來，達(dá)到相對自然的程度。

黃學(xué)東也指出，傳統(tǒng)的“文本到語音”系統(tǒng)將韻律結(jié)構(gòu)分解成由獨立模型控制的語言分析和聲學(xué)預(yù)測步驟。這將導(dǎo)致合成音頻變得沉悶無趣。而“文本到語音”系統(tǒng)可以同時執(zhí)行韻律預(yù)測和聲音合成，其結(jié)果更加流暢自然。

此外，丁秉公還表示，從去年11月到今年，微軟對該項技術(shù)進(jìn)行不斷改進(jìn)，調(diào)優(yōu)性能，提高計算力，從非實時轉(zhuǎn)化聲音到變?yōu)閷崟r，立足細(xì)節(jié)打磨聲音質(zhì)量，下了很大功夫。“去年我們推出這個聲音時，聲音很好聽，但細(xì)節(jié)還有很多提升的潛力，比如當(dāng)時語音說雙語不夠好，如今已經(jīng)很自然了。我們正在逐漸地拔高聲音的效果。”

眾所周知，讀文章時有自然的換氣和停頓，韻律自然，聽起來不會累。”微軟希望通過技術(shù)讓有聲書快速生成，通過技術(shù)做不同聲音和不同風(fēng)格以匹配更多書籍的類型。丁秉公向記者透露，目前該系統(tǒng)支持新聞、情感故事、聲音助理、客服等場景，不同場景下的聲音力圖做到自然。