計算機與人類對話時，什么樣的聲音聽起來最合適？
這是2009年六個IBM語言學家，工程師和營銷人員面臨的問題。當時他們想為公司的人工智能程序Watson將文本轉換為語音。18個月后，一種精心制作的語音誕生，它聽起來沒那么人性化，也不像電影《2001太空漫游》中的HAL 9000那么冰冷。
為計算機賦予“個性”是很多軟件設計師在做的事，隨著移動設備的普及，人類的手和眼已經(jīng)忙不過來，急需語音交互。
除了計算機和手機，還有很多機器也在學習聆聽，理解和說話。汽車與玩具也加入了語音功能，甚至一些新式“家電”也如此，比如家庭陪伴機器人Pepper和Jibo，以及亞馬遜的語音設備Echo。在開發(fā)可理解自然語言并回應人類語音命令的軟件（通常被稱為“會話代理”）過程中，還誕生了新的設計科學——人機互動設計，但其藝術性往往要強于科學性。
不過，即使是用于天氣預報和交通導航的簡單語句，也很難讓計算機聲音能與人類的一模一樣。多數(shù)軟件設計師承認，語音設計還沒達到“恐怖谷”的程度。而除了正確的發(fā)音，更大的挑戰(zhàn)是賦予計算機語調(diào)和情緒，即韻律。要讓人工智能完全展現(xiàn)人類說話中的豐富情緒，這在現(xiàn)在還是不可能的事。
合成語音的生成方式有好幾種。效果最好的技術會使用人類語音，從中生成不同說話方式的數(shù)據(jù)庫。每個數(shù)據(jù)庫都需要人類配音者錄制數(shù)十至上百小時。為計算機語音加入情緒的重要性和困難，在電影《她》中體現(xiàn)的最為淋漓盡致。劇中男主角愛上了人工智能Samantha，而他們就是通過語音交流的。
電影《她》劇照
現(xiàn)代語音合成技術的奠基人是蘇格蘭計算機科學家Alan Black，他現(xiàn)在是卡內(nèi)基梅隆大學語言技術研究所的教授。他認為在巨大進步的背后，語音合成系統(tǒng)還不能像人類那樣完美，它們不能“帶著感情說話”。
對一些玩具產(chǎn)品公司來說，語音系統(tǒng)的不完善不算重要，因為其產(chǎn)品就是用于娛樂和取悅用戶的。但對那些用于與人類合作，會成為工作伙伴的系統(tǒng)來說，這一困難還是無法超越。
IBM最近公布了一段電視廣告，其中有作曲家鮑勃·迪倫和Watson的出鏡。廣告中當Watson開始唱歌時，鮑勃·迪倫驟然退場，因為人工智能程序的聲音實在太難聽了。不過IBM的目標就是讓系統(tǒng)成為不那么人類的專家，他們想要的聲音不需要太像人類，也不能太恐怖。
不過IBM研究院的研究員Andy Aaron表示，即使是正確讀出一個單詞，“出錯率依然是我們最大的挑戰(zhàn)”。團隊中的一些成員花了一年多時間創(chuàng)建了一個龐大的正確發(fā)音數(shù)據(jù)庫，以讓錯誤盡可能接近零。
IBM還聘用了25名配音員，尋找特別的人類聲音，并以此為基礎為Watson開發(fā)語音。在選出最想要的聲音后，IBM用多種方式進行了調(diào)整，甚至會提升頻率，讓聲音聽起來像小孩。不過這種個性的聲音遭到了一致反對。
他們想要的聲音要緩慢，平穩(wěn)而且“令人愉悅”，整個過程讓工程師的工作看起來更像藝術家。最終他們生成的語音雖然一聽就知道是計算機，但透露出了樂觀，還有一點活潑。
隨著語音技術的進步，它的應用范圍也會越來越廣。以色列公司Imperson之前都在開發(fā)娛樂型的對話角色，現(xiàn)在卻在考慮往政治方向發(fā)展，比如在社交平臺上讓虛擬的競選者與民眾互動，即使知道是假的，單獨與政治人物對話也會產(chǎn)生親切感吧。
via nytimes
