TTS（Text-To-Speech，語音合成），目前是一個(gè)“小而美”的AI領(lǐng)域，但我個(gè)人覺得非常有意思，感覺TTS在未來會(huì)被行業(yè)真正重視起來，并且會(huì)出現(xiàn)做得不錯(cuò)的創(chuàng)業(yè)公司。

本文，是作者收集了很多線上/線下的相關(guān)信息后，提煉出的AI產(chǎn)品經(jīng)理“最必要”了解的TTS技術(shù)知識(shí)和行業(yè)現(xiàn)狀（多了沒必要，少了又不足以入門、準(zhǔn)備面試或工作實(shí)戰(zhàn)）；不僅幫大家節(jié)省了時(shí)間，更是過濾了很多無用信息和過于技術(shù)的內(nèi)容。

目錄

一、核心概念

二、當(dāng)前技術(shù)邊界

三、瓶頸和機(jī)會(huì)（重點(diǎn)）

一、核心概念

1、TTS和ASR的概念區(qū)別

我們比較熟悉的ASR技術(shù)（Automatic Speech Recognition，語音識(shí)別），是將聲音轉(zhuǎn)化為文字，可類比于人類的耳朵。

而TTS技術(shù)（Text-To-Speech，語音合成），是將文字轉(zhuǎn)化為聲音（朗讀出來），類比于人類的嘴巴。大家在Siri等各種語音助手中聽到的聲音，都是由TTS來生成的，并不是真人在說話。

TTS的技術(shù)實(shí)現(xiàn)方法，主要有兩種：“拼接法”和“參數(shù)法”。

2、拼接法

1）定義：從事先錄制的大量語音中，選擇所需的基本單位拼接而成。這樣的單位可以是音節(jié)、音素等等；為了追求合成語音的連貫性，也常常用使用雙音子（從一個(gè)音素的中央到下一個(gè)音素的中央）作為單位。

2）優(yōu)點(diǎn)：語音質(zhì)量較高

3）缺點(diǎn)：數(shù)據(jù)庫要求太大。一般需要幾十個(gè)小時(shí)的成品預(yù)料。企業(yè)級(jí)商用的話，需要至少5萬句，費(fèi)用成本在幾百萬元。

3、參數(shù)法

1）定義：根據(jù)統(tǒng)計(jì)模型來產(chǎn)生每時(shí)每刻的語音參數(shù)（包括基頻、共振峰頻率等），然后把這些參數(shù)轉(zhuǎn)化為波形。主要分為3個(gè)模塊：前端、后端和聲碼器。

前端做的事情，是把文本進(jìn)行解析，決定每個(gè)字的發(fā)音是什么，這句話用什么樣的語氣語調(diào)，用什么樣的節(jié)奏來讀，哪些地方是需要強(qiáng)調(diào)的重點(diǎn)等等。常見的語氣相關(guān)的數(shù)據(jù)描述包含但不限于下面這些：韻律邊界，重音，邊界調(diào)，甚至情感。 還有更多的信息甚至是難以客觀描述的，目前的算法只能暫且忽略。

注：拼接法和參數(shù)法，都有前端模塊，拼接和參數(shù)的區(qū)別主要是后端聲學(xué)建模方法的區(qū)別。

2）優(yōu)點(diǎn)：數(shù)據(jù)庫要求相對(duì)較小一些。

如果只需要出聲（做demo），大概500句就可以，但是效果肯定不行。

通用TTS，一般至少需要5000句，6個(gè)小時(shí)（一般錄制800句話，需要1個(gè)小時(shí)）?！獜那捌诘臏?zhǔn)備、找人、找錄音場(chǎng)地、錄制、數(shù)據(jù)篩選、標(biāo)注，最終成為“可以用的數(shù)據(jù)”，可能至少需要3個(gè)月。（訊飛在各方面比較成熟，用時(shí)會(huì)短很多）

個(gè)性化TTS，大多數(shù)是用“參數(shù)”方法的。（adobe、微軟也有嘗試過拼接法，不過相對(duì)參數(shù)方法來說不是太成熟，效果也并不是太通用）

3）缺點(diǎn)：質(zhì)量比拼接法差一些。因?yàn)槭苤朴诎l(fā)聲算法，有損失。

因?yàn)橹饕觞c(diǎn)和難點(diǎn)就是聲碼器。聲碼器的作用是復(fù)現(xiàn)聲音信號(hào)，難在重現(xiàn)聲音細(xì)節(jié)，并且讓人聽不出各種雜音、沉悶、機(jī)械感等等。目前常見的聲碼器都是對(duì)聲音信號(hào)本身作各種理論模型以及簡化假設(shè)，可以說對(duì)細(xì)節(jié)的描述近似于忽略。

注：DeepMind的WaveNet，基本解決了聲碼器的問題。因?yàn)樗麄冎苯訉?duì)語音樣本進(jìn)行預(yù)測(cè)，不依賴任何發(fā)音理論模型。最后出來的音質(zhì)細(xì)節(jié)十分豐富，基本達(dá)到了與原始語音類似的音質(zhì)水準(zhǔn)（所謂質(zhì)量提高了50%，就是這里），而且?guī)缀蹩梢詫?duì)任意聲音建模（這就太牛了）。

4、TTS的評(píng)判標(biāo)準(zhǔn)

1）主觀測(cè)試（自然度），以MOS為主

A）MOS（Mean Opinion Scores），專家級(jí)評(píng)測(cè)（主觀）；1-5分，5分最好。

注：微軟小冰公開宣傳是4.3分，但有業(yè)內(nèi)朋友認(rèn)為，也不能據(jù)此就說其“絕對(duì)”比科大訊飛好，因?yàn)槊看卧u(píng)審的專家人選都不一樣。說白了，目前整個(gè)AI行業(yè)內(nèi)，還是各家說自己好的節(jié)奏。

B）ABX，普通用戶評(píng)測(cè)（主觀）。讓用戶來試聽兩個(gè)TTS系統(tǒng)，進(jìn)行對(duì)比，看哪個(gè)好。

C）每次主觀測(cè)評(píng)應(yīng)該有區(qū)分。比如這次著重聽多音字，下次主要聽語氣詞等。

2）客觀測(cè)試

A）對(duì)合成系統(tǒng)產(chǎn)生的聲學(xué)參數(shù)進(jìn)行評(píng)估，一般是計(jì)算歐式距離等（RMSE，LSD）。

B）對(duì)合成系統(tǒng)工程上的測(cè)試：實(shí)時(shí)率（合成耗時(shí)/語音時(shí)長）、首包響應(yīng)時(shí)間（用戶發(fā)出請(qǐng)求到用戶感知到的第一包到達(dá)時(shí)間）、內(nèi)存占用、CPU占用、3*24小時(shí)crash率等。

二、技術(shù)邊界

1、通用TTS

1）在用戶預(yù)期不苛刻的場(chǎng)景（APP/硬件），能滿足商業(yè)化需求，比如語音助手/滴滴/高德/智能音箱/機(jī)器人）；但如果用戶預(yù)期非常高的話，是很難滿足的，因?yàn)檫€是會(huì)有“機(jī)器感/機(jī)械感”，不能非常自然的模擬人聲。

2）目前行業(yè)各家公司的產(chǎn)品效果差不多，都基本能商用。

2、個(gè)性化TTS

1）在用戶預(yù)期不苛刻的場(chǎng)景，能“基本”滿足商業(yè)化需求，但是效果沒通用TTS那么好。但如果用戶預(yù)期非常高的話，暫時(shí)是滿足不了的。

2）目前行業(yè)內(nèi)能成熟商用的，主要還是科大訊飛，也有些創(chuàng)業(yè)公司在這個(gè)領(lǐng)域有所布局，如微量分貝（HEARD）這家致力于海量內(nèi)容音頻化的企業(yè)，對(duì)聲音進(jìn)行了分門別類的生成和儲(chǔ)備，他們瞄準(zhǔn)的企業(yè)級(jí)需求也會(huì)更為個(gè)性化、品牌化，諸如阿里巴巴旗下的“動(dòng)物園”品牌（如天貓、閑魚、盒馬、菜鳥等），都會(huì)生成諸如“小豬佩奇”這樣的角色化TTS 并被商用。

3、情感TTS

1）目前業(yè)界的情感合成更多了，是因?yàn)閿?shù)據(jù)本身變多了、更有節(jié)奏了，超過了傳統(tǒng)的播音風(fēng)格，但并不是真正的“喜怒哀樂”等情感合成（想高興就高興的這種智能）。

2）在情感TTS的理論方面，學(xué)術(shù)界是有儲(chǔ)備的，但是，整個(gè)行業(yè)目前都沒怎么做（或者沒做好），是因?yàn)榍楦蠺TS很依賴“情感意圖識(shí)別”，“情感特征挖掘”、“情感數(shù)據(jù)”以及“情感聲學(xué)技術(shù)”等，是個(gè)系統(tǒng)工程。其中第1點(diǎn)，即是和自然語言處理相關(guān)，比如需要知道“什么時(shí)侯該高興或悲傷”；同時(shí)，具有情感演繹的語音數(shù)據(jù)的儲(chǔ)備，也非常重要。

三、瓶頸和機(jī)會(huì)

主要有5個(gè)方向的瓶頸（同時(shí)也是機(jī)會(huì)）。

1、基礎(chǔ)技術(shù)

1）TTS技術(shù)正處于重大變革：端到端（End-to-End）的TTS建模方法，加上WaveNet 的聲碼器思想，是未來TTS的發(fā)展方向。

端到端TTS，一般指tacotron，tacotron只是Google提出的合并了原先時(shí)長模型和聲學(xué)模型的中段結(jié)構(gòu)，可以接任何TTS前端和TTS后端。TTS前端如中文分詞、注音、詞性，都會(huì)提升tacotron性能；后端，參數(shù)、拼接、wavenet都可以選用。

關(guān)于WaveNet技術(shù)的商業(yè)化：Google今年初將第二代WaveNet技術(shù)商業(yè)化了，速度比第一代快一萬倍。而國內(nèi)各家公司，基本也仿制出來了（論文算法），但工程化還需要時(shí)間，而且成本還是太高，短期內(nèi)應(yīng)該沒法商用。

關(guān)于效果：TTS最終效果好壞，技術(shù)只占50%不到，在技術(shù)都差不多的情況下，聲優(yōu)質(zhì)量和數(shù)據(jù)量最重要，其次是相同部署規(guī)模和成本的TTS才能相互比較，即，不能簡單的說哪家公司的效果比另一家更好，a）比如，拿百度/騰訊/阿里/圖靈等很多家AI公司的WaveNet v1的效果，一般都能超過訊飛線上的接口，但部署成本高幾萬倍，且不實(shí)時(shí)；WaveNet V2商業(yè)化以后，雖然能實(shí)時(shí)，但部署成本至少也比高配拼接TTS高10倍左右。b）成本，部分和采樣率相關(guān)，例如，訊飛/百度TTS的采樣率都是16k，如果用24k和48k，主觀體驗(yàn)至少強(qiáng)50%，但成本會(huì)翻倍；也就是說，其他AI公司的24kTTS的MOS，能吊打訊飛/百度的API，但不能說他們的技術(shù)就比訊飛/百度強(qiáng)，因?yàn)樵谏虡I(yè)化時(shí)，會(huì)犧牲效果來降低成本。

2）如何讓離線版效果達(dá)到在線版水平。很多客戶希望（奢望）有離線版本，并且效果和在線版本一樣好……現(xiàn)階段來說，可能真是“臣妾做不到啊”。

2、數(shù)據(jù)缺乏

一方面，特別是個(gè)性化TTS，需要數(shù)據(jù)量更大。比如默認(rèn)男孩聲音，要轉(zhuǎn)成女孩，就比較難。

另一方面，數(shù)據(jù)的獲?。ㄖ谱鳎┏杀竞椭芷?，也是各家在初期的競(jìng)爭著力點(diǎn)，比如，一般來說，一款（套）TTS數(shù)據(jù)，至少需要先錄制2-3萬句話，再加上數(shù)據(jù)標(biāo)注，通常耗時(shí)在3個(gè)月以上（且需要主播全力配合），對(duì)于30小時(shí)的數(shù)據(jù)，價(jià)格通常在30-50萬，而上文提到的微量分貝（HEARD）這家公司，調(diào)動(dòng)了8000+位優(yōu)質(zhì)播音人員，在給不同內(nèi)容配音的同時(shí)，也做了大量結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)（庫存化）。

這樣，針對(duì)大部分客戶的數(shù)據(jù)需求，并不需要再找主播進(jìn)行錄制，而是直接從倉庫調(diào)取數(shù)據(jù)進(jìn)行解凍即可（數(shù)據(jù)標(biāo)注）；通過將這種“邊進(jìn)行業(yè)務(wù)邊賺取數(shù)據(jù)”的流程標(biāo)準(zhǔn)化，其獲取數(shù)據(jù)的成本大大降低到行業(yè)的五分之一，并且一旦有需求，可以在1個(gè)月內(nèi)進(jìn)行交付。這家公司在南方搭建的數(shù)據(jù)標(biāo)注工場(chǎng)的規(guī)模，也是巨大的，包括華為等公司都從其采購語音合成數(shù)據(jù)。

3、人才匱乏

不僅沒法跟NLP、CV等熱門AI人才比，就算跟同樣不算熱門的ASR比，TTS的人才都還要少一些。

4、產(chǎn)品化難度

由于技術(shù)限制，現(xiàn)階段不可能有非常完美的TTS效果，所以：

1）盡量選擇用戶預(yù)期不苛刻的場(chǎng)景，或者在產(chǎn)品體驗(yàn)設(shè)計(jì)時(shí)，管理好用戶預(yù)期（比如打車軟件，郭德綱/林志玲的聲音，差不多就行）。

2）選擇“參數(shù)法”還是“拼接法”，和公司的技術(shù)儲(chǔ)備、成本、以及產(chǎn)品目標(biāo)相關(guān)。在垂直領(lǐng)域，現(xiàn)有的TTS技術(shù)（參數(shù)或者拼接）都可以針對(duì)產(chǎn)品做得很好?，F(xiàn)在行業(yè)還沒有太好的效果，很大原因是因?yàn)楫a(chǎn)品經(jīng)理還沒有深入介入，有很多細(xì)節(jié)的坑要踩（產(chǎn)品設(shè)計(jì)+工程化實(shí)現(xiàn)）——未來應(yīng)該會(huì)有驚艷的產(chǎn)品出現(xiàn)。

3）體驗(yàn)細(xì)節(jié)設(shè)計(jì)，和一般互聯(lián)網(wǎng)產(chǎn)品很不同，比如：

A）文案設(shè)計(jì)，非常重要；因?yàn)樵谡Z音交互場(chǎng)景，不能太長，用戶沒耐心和時(shí)間聽完的。

B）可以加入背景音樂，掩蓋雜音等細(xì)節(jié)瑕疵。

C）特殊場(chǎng)景，還有特別的需求，比如遠(yuǎn)場(chǎng)場(chǎng)景和戴耳機(jī)場(chǎng)景相比，還是會(huì)有區(qū)別的。

D）中英文混合TTS。比如用戶想播首英語歌曲，困難在于：所有中文的發(fā)音當(dāng)中，中文和英文合拍念出來是很難的，為什么呢？因?yàn)橥浺舻娜?。錄中文是一批人，錄英文又是一批人。兩種語言結(jié)合起來，再用機(jī)器學(xué)習(xí)學(xué)出來，聲音就會(huì)變得非常怪。這方面，小雅音箱曾經(jīng)花了很大的精力和成本去“死磕”解決。

5、商業(yè)化壓力

1）如果要有足夠的市場(chǎng)競(jìng)爭力，至少需要12個(gè)月的時(shí)間，2~6人團(tuán)隊(duì)（如果有人做過前端相關(guān)工作，會(huì)節(jié)省巨大成本——工作量主要在中文前端NLP部分，比如分詞、注音、詞性文本規(guī)整化等），幾百萬資金投入（1個(gè)GPU一年十萬，支持并發(fā)只有幾十個(gè)）。并且，大公司的先發(fā)優(yōu)勢(shì)巨大，小公司必須切細(xì)分場(chǎng)景。

2）我個(gè)人認(rèn)為，個(gè)性化TTS、情感TTS會(huì)在各細(xì)分場(chǎng)景得到更大的應(yīng)用，比如知識(shí)付費(fèi)、明星IP、智能硬件、車聯(lián)網(wǎng)、實(shí)體/虛擬機(jī)器人等。

附：相關(guān)資料

1、相關(guān)高校及實(shí)驗(yàn)室

語音合成涉及專業(yè)領(lǐng)域較廣，包含語言學(xué)、聽覺與發(fā)聲機(jī)理、自然語言分析、深度學(xué)習(xí)、信號(hào)處理等諸多領(lǐng)域，是一門綜合性學(xué)科。

國際上，英國愛丁堡大學(xué)Simon King教授，卡耐基梅隆大學(xué)Alan W Black教授， 日本和歌山大學(xué)Kawahara教授，谷歌Heiga Zen所在的實(shí)驗(yàn)室均為國際頂級(jí)實(shí)驗(yàn)室。

國內(nèi)來說，中國學(xué)術(shù)屆也一直走在行業(yè)的前列，國際語音合成挑戰(zhàn)賽blizzard challenge已經(jīng)連續(xù)10多年冠軍在中國。國內(nèi)大部分的語音合成人才，均來自于中科大、中科院自動(dòng)化所、中科院聲學(xué)所、清華大學(xué)、西北工業(yè)大學(xué)等幾家單位，比如西北工業(yè)大學(xué)的謝磊老師組，已向語音合成屆輸送了大量人才，在微軟、百度、搜狗、小米、IBM、訊飛、流利說、出門問問、獵戶星空、同盾等公司的核心崗位上，都有來自西工大的學(xué)生。

2、參考文章

《目前，人工智能語音在說中文時(shí)的語氣感覺上還比較機(jī)械，怎樣使人工智能語音的語氣更自然一些？》http://t.cn/RFnP7EH

《如何評(píng)價(jià)谷歌下一代語音合成系統(tǒng)WaveNet？》http://t.cn/RFnPUkA

《TTS(Text-To-Speech)的原理是什么？》http://t.cn/RFnPfP1

《百度Deep Voice作者與Bengio團(tuán)隊(duì)探討五大技術(shù)細(xì)節(jié)，端到端的語音合成還有多遠(yuǎn)？》http://t.cn/RoUvHAg

3、相關(guān)產(chǎn)品

訊飛配音app、訊飛朗讀助手app、閃電配（http://www.soundems.com ）等。