“倾听”1分钟，就能开口模仿人类“讲话”

据《科学美国人》杂志网站2日报道，加拿大新创公司琴鸟（Lyrebird）发布了新款人工智能（AI）语音系统，其能通过分析讲话录音和对应文本以及两者之间的关联，在1分钟内模仿人类“讲话”，比如，模仿特朗普、奥巴马和希拉里三个人的声音展开一段对话。

让声音听起来更自然，是计算机程序在将文字转换成语音过程中面临的核心挑战，即使目前最好的语音助手，如苹果公司的Siri和亚马逊公司的Alexa，一发声给人的第一感觉仍然是，“哇！这是计算机。”背后原因在于这些语音助手系统的工作原理：根据预录的声音文档整理出词汇，再通过另一个新的音频文档将这些词汇拼凑在一起发声。

而琴鸟公司的AI使用了一种全新的语音合成系统，能在“倾听”过程中“掌握”每个人说话时字母、音位和单词的发音特点，通过推理并模仿这个人声音中的情感和语调，“说”出全新的语句。

新系统使用模仿人脑思维的算法创建出一种人工神经网络，能利用深度学习技术将所听到的转换成语音，并仅靠任何人1分钟讲话内容，就能完全模仿这个人说话。其市场前景非常广阔，可用来改进个人人工智能助手、音频书籍以及残疾人语音系统等。

开发该系统的蒙特利尔大学学习算法实验室博士后亚历山大·布瑞比森表示，在学会并模仿了几个人的声音后，再模仿任何一个新对象的语音就会变得更快，因此新语音系统不需太多信息，1分钟足以捕获某个人声音的核心特点。

 但美国卡内基梅隆大学语言技术研究所教授迪莫·鲍曼表示，琴鸟的语音系统和真正的人声之间还有差距。“我仔细听过琴鸟系统的发声，其带有背景噪音，以及微弱的机器人特征。而且，它还不能模仿人们在讲话中的呼吸和唇部运动，因此仍然能听出其计算机语音特征。”鲍曼说。他认为，语音系统真正令人信服地复制人声，还需再等几年。

总编辑圈点

人类的嗓音最美妙，天籁之音怎能被机器模仿出来？一呼一吸间的抑扬顿挫，一颦一笑间的情感起伏，才是人之为人的精华所在。虽然机器模仿人声还差强人意，但仍大有用武之地——高德地图林志玲版，不就是机器通过学习特殊语料后，模仿独特人声在给司机指路嘛。但需知，语音合成只是人工智能的一个基础层次，要想达到以假乱真甚至人机交互，估计还得一二十年。