百度语音技术新突破 磁性男声品读小说

科幻电影《HER》中，男主角爱上了一位搭载人工智能系统的虚拟爱人“萨曼莎”。这段爱情在萨曼莎“开口说话”时便埋下了种子，迷人的声线、细腻的情感丝毫让人察觉不出是在跟一个机器对话。近日，百度公司将这项黑科技带入现实，从此让机器摆脱一板一眼的“僵尸音”，带有情感地为你朗读，和你对话。目前，用户已经可以在手机百度-小说频道中抢先体验，选择朗读模式下的“磁性男生”，就能拥有专属的“小说男神”。

百度语音技术部负责人贾磊介绍：“这是百度在语音合成技术上的最新突破。基于百度大数据与深度学习技术优势，百度研发出新型情感语音合成系统，能够让机器摆脱平铺直叙的发声，为用户带来更自然、更具情感表现力、更接近真人朗读的听觉体验。”

此前，语音合成技术领域的研究主要集中与让用户听清机器的语言，典型应用如：时间播报、天气播报、语音导航等。在这方面，百度的汉语拼接语音合成系统和参数合成系统处于业界领先，新闻播报风格的语音合成解决方案已经在大量产品中成功运用。

然而随着语音人机交互潮流的到来，用户对于语音合成品质的要求逐渐提高。为了给用户带来优质的听觉体验，百度工程师经过长期的技术积累和攻坚，终于在情感语音合成领域取得重大突破：

首先，创新语料生产方式，提升数据规模。传统录音语料库的积累，往往以句子为单位，严格控制发声人录音的声调、节奏，导致文章的语义情感无法融入其中。情感语音语料库的积累，以段落或者篇章为单位，允许发音人基于对文本的理解加入个人自然有感情的语音表达，使得语音中蕴含丰富的语义和情感。由于录音方式更加自然流畅，发音人不易疲劳，大大提升了语料采集效率，扩大了情感语料库的数据规模。

其次，创新数据处理方式，提高数据处理效率。传统语料数据处理方式为手工精标，需要耗费大量人力。百度利用机器学习技术实现了数据的自动化处理，完全代替手工，能够对大量包含情感的语料库快速进行标注，大大提高了语音合成数据处理的效率。

最为核心的突破是，创新韵律和声学建模技术，提高情感表现能力。第一，采用百度独创的多层次双向LSTM韵律建模技术，实现从文本到韵律情感信息的直接端到端的高精度建模。第二，利用多层双向LSTM-RNN模型对语义及长时信息的卓越声学建模能力，将丰富的语义相关信息加入到上下文中，构建文本与语音之间的深层次对应关系，生成富有表现力的模型，使合成的语音具有丰富的情感。

百度语音技术部负责人贾磊认为，传统语音合成技术，由于对整个语料库的生成控制过于严格，缺乏情感表现力，也难以体现语义在语音中的作用。而且，数据标注过于依赖手工和经验规则的方法，需要耗费大量的时间和人力进行语料库标注，客观上限制了语音合成系统所使用的语料库的规模，从而限制了最终合成的语音的情感表现力。基于大数据的情感语音合成技术，实现了规模化的语料生产和自动化的数据标注，并充分发掘了深度学习技术在大数据上的处理能力，极大地扩展了语音合成系统所能使用的合成语料库的体积，使得语音合成系统包含更丰富的情感，探索出了一个全新的语音合成技术框架。未来，语音合成领域的理论创新和算法技术创新，都将围绕大数据和深度学习展开，语音合成技术必将发生深刻的变革。