让语音助手更像人，要做出哪些努力？

标贝科技是一家2016年2月组建，6月开始正式运营的语音合成公司。凭借不到30人的小团队和仅仅1人的市场兼销售，他们在成立当年便与百度、滴滴等大企业展开合作，确立了自己在语音合成领域的位置。

语音合成对多数人而言并不是多么陌生的技术，大家都知道这一技术应用在哪些地方。百度地图、滴滴出行等出行类app，喜马拉雅小雅音箱、Rokid若琪等智能音箱，出门问问等语音助手都被我们熟知。他们的声音背后，都有标贝的方案。

语音的背后是智能。标贝科技在产业中所处的位置，是人工智能的人机交互部分，这部分可进一步细分为语音识别、语义分析（2017年在国内骤然兴起的NLP）及语音合成三个领域。诚然，作为一家创业公司，标贝科技需要面对不少先行者乃至巨头；幸运的是，科大讯飞、捷通华声等老前辈把更多精力集中于语音识别，近些年国内的创业同行们也普遍专攻NLP，语音合成则相对是市场认知较晚、从业专家较少的领域。

国内最早研究语音合成的团队，一些在国家机关如中科院，一些集中在高等学府如北大、清华、中科大等，一些则在科大讯飞、捷通华声等公司任职。最初的语音合成技术，应用于银行叫号机、火车站广播等跟互联网没啥关系的产品。严格来说，那个时代的语音合成并不是人工智能的细分领域；也因此，在需求变化后，当语音合成离不开人工智能，这个行业需要一定程度的「从头再来」，这也就给了标贝科技等创业公司以机会。

虽然尚属创业公司，但标贝科技的创始团队及其核心技术人员普遍有着六、七年以上的从业经历，他们来自科大讯飞、捷通华声、百度等大企业，不仅是这一曾经的冷门行业中为数不多的高级人才，彼此之间的合作也早有年月。此次出来创业，以创始人刘博为首的标贝科技，打算带着语音合成的专业知识和经验，全面拥抱人工智能时代。

仅仅提到「语音合成」，不足以描述标贝科技的垂直程度，实际上他们更专注于语音合成背后的数据库及其加工方式。简而言之，机器说话可以理解为对人类说话的一种模仿，但人类说话并没有一种固定的模式——拿高德地图来说，林志玲语音包和默认语音包能一样么？基于林志玲创建的语音数据库，可能就比来自其他人的更受欢迎一些。

更细微的差别不止于此。一个成年人在兴奋时什么语气，沮丧时什么语气，正午什么音调，子夜什么音调，工作时如何用词，私密时如何用词，可能都会有显著区别。对于社会而言，10年前人们普遍的说话方式，及今天人们普遍的说话方式，差异也是一听便知。

比如你现在走进屋子来录音。你刚刚进来时的声音，和你坐了一个小时后的声音，其实是不一样的。如果用这种有瑕疵的数据库来做语音合成，就很难避免不自然、不像人的地方。

消除语音助手的「机器味」，或至少避免严重的违和感，产品背后的语音数据库就一定要与产品调性匹配，并且与时俱进——同样是神似真人的声音，你大概不希望打理日常琐事的语音助手，是2006年黄健翔解说足球比赛那个风味吧？

标贝所做的事情，就是通过构建更完善、更优质的数据库，让机器发声更自然、更贴近真人，也更适合产品自身的需要。使用过小雅音箱或若琪（这两款音箱的语音合成都来自标贝）的朋友大可自己判断，和其他产品相比，哪些声音听起来更舒服。

标贝科技创始人刘博表示，从数据库切入市场也有另一重考量，在于数据库更有说服力。比起对技术的解读，直接展示手中的资源更容易打动客户。不过，如今的标贝也推出了比数据库更直观的产品——免费、公开的TTS评测系统，让不了解自己「为什么做不好语音合成」的客户明白问题出在哪儿。

发现问题后，有些问题可以通过技术层面的改善解决，有些则必须调整数据库本身。这时，标贝积累的资源就能派上用场。基于更好的数据库，很多努力都可以事半功倍；对于企业来说，既然没必要重复造轮子，提前做好准备的标贝，就顺势成为了许多企业的首选。毕竟，时代已不同以往，想要在人工智能领域取得优势，细节非常重要。

不管说的内容是什么，有人说话让你听着很舒服，有人则让你很烦躁。声音是一个与体验密切相关的东西，合格的就是合格，不合格的就是不合格。不合格的声音再怎么做些微改善，也达不到今天的要求。

而不合格的声音带来的，则是顾客对产品评价的全面下降。回忆一下，在与通常的语音客服交流时，听着那种语速极慢的机器声音逐个蹦字「XXX请按1，XXX请按2……」，你的第一需求是否是「马上转接人工」？类似语音客服的存在，不仅没有很好地缓解人工客服的压力，更是浪费了客户的时间。不管对企业还是对社会，这种听起来就像机器的声音，都有改善的必要。

「人工智能兴起之前，市场没有对语音合成的需求。所以直到2015年、2016年，这个行业才有创业的机会。」刘博说，标贝能很快与各行各业、很多公司开始合作，也正因为语音合成的圈子太小，谁做了什么、做得怎么样，圈里人都一清二楚。团队实力强劲的标贝，很快便受到关注，业务起步迅速也是情理之中了。

正因为行业以前有点「隐形」，从业人员太少，现在的人工智能公司，无论做智能音箱、语音助手还是儿童玩具，都极难找到足够人才组建自己的语音合成团队。这时，由行业精英组成的，为数不多的几家创业公司，会对市场起到举足轻重的支持作用。标贝科技也因此被凯泰资本看好，于2017年10月拿到1000万元规模的Pre-A轮融资。

值得一提的是，从成立初期一直到2018年，标贝提供的主要服务就是数据库及部分算法，从一个相当垂直的角度切入市场，打造了良好口碑。但今年开始，考虑到越来越多的新公司、小团队也加入了人工智能大军，而他们需要的更可能是完整的语音合成方案，标贝也推出了自己的语音合成全套服务。

那么，哪些行业最可能成为标贝的客户呢？刘博透露道，虽然目前能见到的还不多，但人工智能语音很快就会在泛文娱方向发力，尤其是游戏及儿童玩具等。刘博说，游戏中的NPC引入人工智能后，就能应对更多的情况，不再重复向玩家播放两三句固定台词。

这不禁令我想起《上古卷轴5：天际》的一些智能NPCmod。mod虽然带来了更丰富的内容，无非也只是从一个小框架跳到一个大框架里，用mod作者的努力代替了游戏团队的更新。但智能化的NPC，则能跳出框架，进入一个真正自由的领域。届时，游戏，尤其是近年火热的开放世界游戏，显然会给玩家带来更丰富多变的体验，也能极大延长游戏的寿命。

与此同时，若将更好的语音合成技术应用于机器人，则家用机器人就会更有陪伴感，更适合照顾小孩、老人。今年的中国，机器人娱乐很可能成为重要的一环，我们不妨批判一下它们的语音系统——谁是智能的，谁还停留在「银行客服」水平。

同为创业公司也想求报道（请猛戳这里或加编辑微信 zy514035492 ）？只要你们对产业正在产生影响、或未来可能有颠覆效应，就都是我们的关注对象——无论大小。

from www.huxiu.com.