人類與AI的對話頻率，正在進入一個前所未有的大爆炸時代。

無論是智能手機里的語音助手、有買有送的智能音箱，還是千嬌百媚的智能機器人或者地圖導航，總有一款聲音萌動你心。

這些生活中隨處可見的聲線，背后其實都是靠一項核心技術來支撐的：語音合成TTS（ Text－To－Speech），即將文字轉化為聲音。

在一般情況下TTS并不受到廣泛關注。很多智能語音相關產品的發布會上，它甚至不會占用超過一頁PPT的篇幅。但實際上，TTS對于整個AI語音交互的體驗觸發，起到了決定性的作用：用戶聽到什么聲音，直接影響到AI在他心中的“三次元化”形象。

比如我一個朋友就是因為志玲姐姐嗲嗲的配音，成為了地圖導航的死忠粉。而在經典的AI電影《Her》里，人工智能系統OS1就擁有斯嘉麗約翰遜的迷人聲線，讓男主人公為之傾倒，一段人與AI的虐戀就此展開。

語音合成，為機器注入了一種人格化的魅力，也讓人類更愿意與之建立親密關系。這也意味著，在商業價值都要靠黏住用戶來實現的當下，TTS能力將成為各個語音場景輸贏的命脈。

盡管企業對TTS的需求是如此迫切，但從學術到產業應用之間，TTS依然存在著大片的技術空白。相近的技術原理和前沿算法探索之后，每家公司的解決方案、解決能力都千差萬別。二者疊加之下，導致TTS變成了一個巨大的賽場。

本文希望剖析這個并不為大眾熟知的賽道，透視一下是什么決定了機器如何說話，決定了用戶耳朵的體驗與舒適度，又有哪些玩家憑借TTS撬開了智能語音的富礦。

那場極速的溫柔：讓機器聽上去像人，是AI公司的首要奔跑方向

最近，網上流行起了一種新的搞笑玩法：扮演機器。比如，用百度翻譯的語音包跟游戲中的隊友說話，濃烈的機械味怕是會被隊友忍不住一槍爆頭。

與此同時，一個娘化的AI形象“絆愛”也迅速走紅，被粉絲們親切地稱為“愛醬”。它有著少女一樣的形象，能夠像人類一樣交流，言語之間還會時不時流露出作為AI的志得意滿。

對過度機械的語音無情調侃，為高度人性化的語音瘋狂打call，可以說是普通人對TTS的下限與上限最為直接的反應了。

從中不難看出，TTS的核心賽道，就在于如何讓機器的聲音聽上去韻律自然、情感充沛。說白了，就是如何在機器聲音中注入人性。

這個聽起來很模糊的需求，現實中只能通過TTS多個技術層次的逐步通關來實現。

綜合整個流程來看，目前有兩方面的工作是AI公司努力的核心方向：

用心的語料庫，正在成為TTS發動機

如何用更少的語料合成更自然的高質量語音，可能是未來TTS的技術攻堅方向。

目前看來，更有情感表現力和精準韻律的聲音，一定是通過龐大精準的語料庫直接拼接產生的。

這背后隱藏的，是AI公司正在比拼構建語料庫的投入成本與產品精神。

比如蘋果就請來了專業配音員蘇珊·貝內特（Susan Bennett）為Siri錄制原始語料，而微軟小娜Cortana的聲音則來自演員簡·泰勒（Jen Taylor），曾為《光暈》游戲中的角色Cortana配音。

國內，高德則邀請了林志玲、郭德綱、TFBOYS、羅永浩、黃曉明、高曉松等眾多流量擔當來錄制導航語音包。

而為小米音箱、喜馬拉雅音箱、美的音箱等智能硬件提供服務的AI女聲“小雅”，則是獵戶星空從300個女聲中投票海選出來的。為了能讓“小雅”更為流暢自然地進行中英文混說，獵戶專門找了一個和中文聲源發音很像的女孩子來錄制英語語料包。

從大量發音人的挑選，語料的精心打磨，以及對用戶場景的深度適配，好的TTS前端數據處理能力，是今天區分這個細分領域產業地位的核心。

用算法探索“聽著舒服”的邊界

解決了基礎音源和龐大語料庫還遠遠不夠。今天的TTS領域，普遍前進方向是基于相似的模型，在細節上帶來TTS效果優化。

這個領域構成了AI技術公司在TTS上的算法優勢，百度、微軟等都在重磅押注。

簡單來說，就是通過系統對輸入的文本進行分析，獲得合成語音的基本單元信息，從標注好的語音庫中挑選出最合適的語音單元，根據需求進行一定的修改和調整后，經過波形拼接的方式獲得合成的語音。

目前，DeepMind 最新的深度生成模型 WaveNet ，改變了傳統的拼接法，而是選擇直接對音頻信號的原始波形進行建模，一次處理一個樣本，來產出更為自然的聲音。

目前，WaveNet已經能夠模擬任何人類的語音，并且將機器語音合成的表現與人類之間水平的差距至少縮減了 50％。

中國這邊，百度正在研究用講話人編碼（speaker encoding）技術來進行自然語音的生成。

簡單來說，講話人編碼器已經學會了把不同人說的話分別聚類，更好地模仿講話人的聲音特點。比如，機器能從口音判斷出，講話者是一個來自北美的男性還是來自英國的男性，從而更逼真地還原出原音。

獵豹則是通過更多層級的標注體系，來進行語音特征單元的提取。目前可以從聲韻母層、音節層、詞層、韻律詞層、短語層和語句層等6個層級，讓合成后的語音在上下文韻律信息及準確度上更加完善，聽起來也就更符合真人的發音習慣。

總而言之，好的TTS算法，正成為如今區分語音合成領域產業地位的核心。

訓練成本之爭：AI界的另一個方法，是讓機器用你的聲音開口

TTS的另一個賽道，是如何讓機器低成本地學習用戶的聲音。

讓更多的明星，甚至普通人的聲音都可以在終端設備中蘇醒，這個技術能力具有廣泛的市場想象力。但是，采用明星的聲音，往往需要大量語料的錄入和拼接。

錄入時間過長不說，還需要在專業指導下完成。合作的明星要錄制幾千句，時間跨度動輒1－2個月，耗資不菲。

即便如此折騰，也難以覆蓋全部細分應用領域。在某些銜接處，往往會出現機械拼湊的生澀感。不但阻礙了明星聲音進入泛化設備場景，更讓普通人對錄入自己的聲音望而卻步。

所以如何降低訓練成本，用更少的語料達成聲音學習和語音生成，是這條賽道的關鍵。

最近，百度就發布了自己在語音合成方面的最新成果，可以通過“語音克隆”模仿數千個不同的聲音，每個說話者只需要不到一個半小時就能完成數據訓練。

核心方法是講話人適配（speaker adaptation），使用數個語音克隆樣本，讓機器從幾秒長度的短句中學習說話者的聲音特點，然后通過反向傳播的優化方法對多講話人語音生成模型做精細調節（fine－tune）。講話人只需提供少量的語料，余下的語音復制所需的素材都可以通過克隆來完成。

獵豹移動的獵戶星空語音OS，用戶花費20分鐘錄制10段話，系統就能自動用2個星期合成一個覆蓋常用領域的語音包，并且音色自然。

簡單來說，是用深度學習TTS模型TACOTRON，將文本分析、聲學模型、音頻合成等模塊進行大語料庫的打包訓練，以這樣的語音庫作為基礎模型，就可以在10句話中提取出發音人的語音特征，然后通過聲碼器合成出音色相同的語音。

總結一下，目前TSS領域的現狀是，傳統的語料對數據的要求太大，往往需要消耗大量人力物力，短期內根本無法被大規模復制。但個性化語音背后隱藏的，又是一個龐大的交互需求。

一旦音源采集成本能夠大大降低，普通人也可以輕松生成獨屬于自己的個性化語音包。試想一下，如果一個聊天機器人具有了真人的語氣、生動的表達，是不是能訓練出一個很高仿的AI？它可以是一位好久不見的朋友、一個會講故事的媽媽，或者是一位即將逝去的親人最后的剪影。

這個技術的“處女地”一旦被撬動，很多智能語音軟硬件體驗上的困擾都將迎刃而解。

因此，建立在數據與算法優勢上的少語料分析能力，也成為TTS賽場上重要的彎道技巧，只把少數企業推向更廣闊的市場。

工程化與商業入口：TTS的產業地緣爭奪

說了這么多不難看出，TTS是一項“可甜可鹽”的技術。

它看似存在感很低，卻讓許多站在金字塔頂端的高科技企業操碎了心；要用最前沿的技術矩陣才能攻克，最終還是要到真實瑣碎的人間煙火中千錘百煉。

而它的終極目標，還是通過智能設備與生活場景相聯接，建立服務市場。

所以一場圍繞TTS的爭奪戰，不僅僅是技術競速。最重要的競爭指標，是企業的工程化完成能力與市場信賴度。

比如說，如果某些新技術只停留在實驗室階段，放到真實的音箱、電視產品上根本不是那么回事兒，或者說優化程度很有限，不但合作伙伴要背鍋，“狼來了”聽多了，消費者的熱情也會被消耗殆盡。

目前百度和科大訊飛在國內難解難分，微軟憑借具有號召力的技術表現力占得一席之地，谷歌則是遠在天邊的“技術明燈”。但普通人能在哪里用到它們，還真是個謎。重技術突破而輕應用、輕市場，恐怕是當前TTS升級階段的主要矛盾。

這或許也顯露出了TTS目前最急需的，不是“居廟堂之高”，反而應該將技術突破盡快投擲于現實，與用戶共舞，與產業磨合。

從大環境來看，TTS的應用場景非常豐富。出行、購物、娛樂、育兒、智能手機等等等等，都是能夠大顯身手的地方。用戶的耐心也還在培養期，體驗不盡如人意，也只會被友善的調侃一下。

一些技術廠商之所以無法跑通這條康莊大道，一方面是產業下沉能力，習慣了在技術上九天攬月，對工程化產品缺乏耐心細致的打磨；

另一方面是大眾認知斷層，在消費層面缺乏有力的品牌支持和心智保障，出現了“叫好不叫座”的局面。

TTS的應用價值，決定了它是一個非常泛在的通用型技術，但并不是所有AI企業都能憑借TTS在泛AI交互市場成功“吃雞”，它考驗的是企業無短板的綜合能力。

目前看來，想要擁有不尷尬的TTS，從實驗室到產業，還需要長期的應用突破和商業迭代，才能迎來真正的破曉。
?