詹姆斯· 弗拉霍斯在《智能语音时代》中有一个大胆的预测：智能语音有可能成为最有感情的技术。

不过在太多人眼中，当下的合成语音很难和情感特征相关联，韵律表现上不够灵活，声音变化上相对死板。几乎无法让人相信那些冷冰冰的机械音可以承载丰富的情感，直到百度地图的一场发布会。

用户只需要在百度地图App上录制20句话，然后等待15分钟左右的时间，即可生成有自己声音特色的个性化语音包。有些预料之外的是，原本被某手机厂商预定的朋友圈，猛然被百度地图语音定制的截图刷了屏。

以至于有人在朋友圈中写下了这样一句话：充满“人气”的导航语音定制，正在打破语音时代的“花园围墙”。

只要20分钟，听见自己的声音

作为对新技术永远有着尝鲜欲望的泛极客，我在第一时间去AppStore更新了最新版的百度地图，满怀期待地录制了自己的语音包。为了方便大家对“语音定制功能”的理解，这里将整个体验分为三个过程：

第一步，录制环境的准备。

语音导航早已不是什么新事物，之所以在过去那么长时间里没有出现个性化定制的语音包，最大的门槛就在于录制条件：首先要找到一个专业的录音棚，然后录制上万句导航文本，最后花上半年的时间进行处理。即便是定制化的明星语音包，也需要在通用语音库的基础上录制一两千句语音，大概要在录音棚里待两个礼拜的时间，再花两个月的时间用语音技术生成语音包。

“想要定制自己的导航语音，要么你爸爸是王健林，要么你自己是王思聪。”大概就是很多人对语音定制的原始印象。

但在最新版的百度地图App中，只需要语音唤醒“小度小度”后说“录制我的语音”，或者在个人中心中找到“语音定制”的按钮，即可进入到语音定制的界面。不需要跑到专业的录音棚中，只要不是那么嘈杂的环境，达到系统自动检测的噪音标准后，即可在手机上定制属于自己的语音包。

第二步，语音定制的过程。

进入语音定制的界面后，百度地图提供了个性化的选择，在性别上可以选择男声、女声以及童声女和童声男，可供选择的录制文本包括推荐文本、卡通文本、电影台词和超短文本。比较贴心的是，卡通文本中可以看到《喜羊羊与灰太狼》、《超级飞侠》、小猪佩奇等时下热门动画片的台词，并且在朗读文本前设定了“自动跟读”，针对儿童群体进行了一系列细节上的打磨优化。

占用5分钟的时间录制20句左右的文本，然后等待15分钟上下的时间进行云端语音处理，即可下载自己专属的语音包。

简单的对比即可以发现，百度地图已然最大程度的降低了语音定制的门槛，原本动辄几个月的语音包生产过程，被压缩到几分钟的时间，重新定义语音包生产模式的同时，也让语音定制进一步普惠化。不再局限在几个明星的语音包，人人都可以是“大明星”。

第三步，场景体验的感受。

市面上并不缺少商用语音合成的产品和服务，但绝大多数都是构建在传统的TTS框架上，至于语音合成的效果，往往少不了合成语音的机械感。

关于百度地图“语音定制”的体验，最大的感受就是惊艳。

首先在音色上，合成语音和原始声音的相似度在90%以上，或许一些实验室里可以做到95%左右的水平，考虑到百度地图的规模化应用，这样的成绩已经足够令人兴奋。同样让人惊叹的是，仅仅录制了20个短句，有个人特色的短句方式被完美保留，比如我在读一个长句时习惯在中间进行停顿，百度地图的语音包中精准呈现了这一细节。

其次在场景上，本以为只是应用在路线导航的特定场景中，在使用自己的语音包后，每次在百度地图中唤醒“小度小度”，听到的居然是自己的声音，进一步深入体验后发现定制的语音包可以在景区智能语音导览、智能语音交互、导航等全部场景使用。

不客气地说，如果Siri的出现开启了语音助理的时代，百度地图的“语音定制功能”开启了智能语音规模化应用的先河。告别冷冰冰的机械感，自然、有情感、高表现力的声音，将是语音技术进一步在生活中渗透的开始。

7年技术打磨，语音合成的进阶

罗马不是一天建成的，语音技术也是如此。

原先几个月才能搞定的语音包，百度为何在15分钟的时间内完成，百度语音首席架构师贾磊在百度地图的发布会上进行了“揭秘”：

先来熟悉下百度在语音技术上的深耕，也许是读懂百度语音合成技术跃迁的关键。

我在之前的文章中梳理过语音识别的进化简史，比如百度2012年开始把深度学习技术DNN技术用于语音搜索，2013年开始基于CNN模型进行研究，2015年初推出基于LSTM –HMM的语音识别，年底发展出基于LSTM-CTC的端对端语音识别系统，今年1月份又发布了流式多级的截断注意力模型……

其实百度的语音技术进化还存在另一条曲线，即语音合成技术的创新进化史。2013年就已启动TSS研发，2014年实现了HTS离线参数合成，2016年在基于深度学习的语音合成产品落地上持续发力，并打造了世界上第一个能在云端提供大规模WaveRNN实时语音合成服务的系统……

仅以WaveRNN技术为例，传统的RNN技术是单点递推的，只有计算完当前的音频点，才能计算下一个音频点，而百度创新的并行WaveRNN技术，可以把一句话分成若干个音节，每个音节同时并行合成，从而实现了WaveRNN技术可以线上大规模使用，为语音合成的商业化应用奠定了基础。

当然作为普通的“吃瓜群众”，我们无须熟知上述提到的专有名词，在讨论百度地图的语音定制功能时，还要从百度独创的风格迁移技术Meitron模型说起，特点主要体现在音色转换、多情感朗读和韵律迁移三个方面。

关于“音色转换”可能很多人并不陌生，在动画片《名侦探柯南》中，柯南正是通过胸口的“蝴蝶结变声器”模仿其他人的声音。现实中的“音色转换”少了些魔法的光环，需要收集大量的声音数据，生成训练模型，再通过个性化的学习完成音色的变换。但在百度的Meitron模型中,可以利用少量语音快速合成一个人的专属音库。

“多情感朗读”顾名思义就是让合成语音拥有自然、有情感的声音，常见的思路是从说话人的情感语音语料中获得平均音模型，对说话人的情感说句进行自适应变换，构建目标情感的声学参数模型，继而合成出目标说话人的情感语音效果。同样的，Meitron模型减少了语音库中的个体差异，只需要少量语料，就能在合成的语音中注入不同的情感。

“韵律迁移”通俗的说就是一个人的声音可以讲出不同风格的文本，比如一个人说话时的音调、音节、停顿等，目的是让合成语音正确表达语义，听起来更加自然。倘若缺少韵律前移模型，无法无法精确控制语音的发声，语音的表现力和自然地也就无从谈起。百度地图的“语音定制功能”之所以可以实现个性化的语音合成，与“韵律迁移”方面的方面的深厚积累无不关系。

从时间上来看，百度并非是第一家进行语音合成研究的公司，然而百度地图“语音定制”的国民级应用，无疑阐述了这样一个事实：那些动辄需要几十个小时的语音采集，消耗几个月的时间进行拼接合成的语音技术已经过时，在人工智能技术的赋能下，语音合成技术正在创造无限可能。

分钟级语音定制，开启大生产时代

在体验和技术之外，不应该被忽略的是，百度地图选择在这个时间点上线“语音定制功能”，本质上在于解决了两个棘手问题：

一是语音合成技术本身，业已实现了核心技术的突破，以及与工业级应用的结合；

二是语音合成的成本控制，百度深度学习平台飞桨实现了纯端侧的廉价GPU部署，无疑是个性化语音合成技术规模化落地的关键。

由此来看，百度语音技术的想象空间远没有局限在百度地图的个性化语音包上，开始从积累和沉淀进入商业化的爆发期。

就应用场景而言，除了导航语音之外，电子阅读、智能硬件、智能音箱、机器人等都将是个性化语音的潜在市场。特别是即将到来的5G时代，或将有上百亿台设备入网，作为万物互联以及AIoT的一个重要入口，智能语音赛道终将成为搜索、电商、社交之外的下一个“现金奶牛”。

就情感维系来说，键盘、触控乃至现阶段的语音，以往的人机交互都是效率主导的，在很大程度上缺少了人情味儿，但百度的个性化语音定制已经释放了积极的信号，语音不仅是高效的交互方式，也是情感的载体，人类与机器之间的隔阂势必会进一步缩小，取而代之的是亲和力。

同时对于百度这样的互联网巨头而言，过去几十年中的技术深耕，注定会在人工智能进入大生产时代时一步步变现。

作者 | Alter 公众号 | Alter聊IT

作者系独立撰稿人，微信号imhefei

钛媒体2018十大作者

品途商业评论2018十佳专栏作者

百家号千分好文出彩创作者

人人都是产品经理年度作者

入驻虎嗅、创业邦、界面等50余家科技媒体

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。