微軟推TTS系統(tǒng) 有聲書成主要場景
微軟推TTS系統(tǒng) 有聲書成主要場景
馬秀嵐，張靖超
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)。
該技術(shù)發(fā)布一年，在一些場景進行了落地，其中幫助視障人群成為非常關(guān)鍵的應用場景。
在過去，微軟和盲人公益組織紅丹丹視障文化服務中心（以下簡稱“紅丹丹”）進行了合作，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。
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所盲校的學生。
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)量遠遠少于文本數(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，TEK-081平均一本的價格在9000元左右。但一本有聲書做出來之后進行云端傳輸，覆蓋到全國的盲校1萬多個學生，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生學習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)青年人的學習需求，制作法律，公務員的考試教材等。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)品負責人劉越穎介紹，該技術(shù)目前可以提供兩種場景下的服務：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，反復出錯，需要不斷地去錄和重復，三個小時才能錄出來一個小時的音頻成品，而機器十幾分鐘就可以，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。
曾鑫也進行了補充：“做有聲書的成本上，我們作為一個公益機構(gòu)，可能不像商業(yè)機構(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，自然語言與機器翻譯的技術(shù)負責人黃學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，一聽就知道它是機器人，TEK-081長時間聽容易導致疲憊，經(jīng)過幾年發(fā)展，曉曉的聲音被研發(fā)出來，達到相對自然的程度。
10月15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)聲音相對一般的機器人聲音自然，但在一些斷句，停頓上仍然需要提升。
黃學東也指出，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預測步驟。這將導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)行韻律預測和聲音合成，其結(jié)果更加流暢自然。
“讀文章時有自然的換氣和停頓，韻律自然，聽起來不會累。”在采訪現(xiàn)場，微軟語音團隊播放了幾段曉曉合成的有聲書，劉越穎如此介紹道。
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。
此外，丁秉公還表示，從去年11月到今年，微軟對該項技術(shù)進行不斷改進，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，但細節(jié)還有很多提升的潛力，比如當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。”
