“互聯(lián)網(wǎng)+”趨勢下人工智能在配音中的應(yīng)用

郭 棟 肖愛云

（作者單位：西安工程大學(xué)新媒體藝術(shù)學(xué)院）

1 “互聯(lián)網(wǎng)＋”時(shí)代全面來臨

從農(nóng)業(yè)時(shí)代到工業(yè)時(shí)代再到信息化時(shí)代，人們口中的“互聯(lián)網(wǎng)+”是什么？“互聯(lián)網(wǎng)+”是互聯(lián)網(wǎng)思維的進(jìn)一步實(shí)踐。其實(shí)，“互聯(lián)網(wǎng)＋”就是“互聯(lián)網(wǎng)＋各個(gè)傳統(tǒng)行業(yè)”。它指的是利用互聯(lián)網(wǎng)平臺和信息通信技術(shù)將互聯(lián)網(wǎng)與傳統(tǒng)產(chǎn)業(yè)等各個(gè)行業(yè)深度融合在一起，從而在新領(lǐng)域創(chuàng)造出新的發(fā)展生態(tài)。

從“你今天搶紅包了嗎？”“你今天逛淘寶了嗎？”到“網(wǎng)上號碼，不要等待”，這些盛行的網(wǎng)絡(luò)語言背后，顯示了互聯(lián)網(wǎng)對傳統(tǒng)行業(yè)的滲透，這種影響幾乎可以在每個(gè)行業(yè)中看到。

2 人工智能配音與生活

清早起床收到優(yōu)酷的一條推送，是每日的新聞簡報(bào)。與以往不同的是，視頻的配音不再是專業(yè)的播音員而是人工智能配音；中午去魏家涼皮吃飯，吧臺時(shí)不時(shí)傳出類似岳云鵬的訂單提示音，這個(gè)也是人工智能軟件的合成聲音；晚上開車回家，車載導(dǎo)航使用的仍然是人工智能配音，人工智能配音在不知不覺中已經(jīng)融入人們的生活。例如，人工智能界的大紅人-蘋果手機(jī)的語音助手siri，先是由美國大媽蘇珊貝內(nèi)特用了一個(gè)多月的時(shí)間進(jìn)行錄制，而后技術(shù)人員使用電腦提取聲音，最后利用人工智能算法將其改寫成新的短語和句子，至此全球幾千萬用戶使用的siri語音系統(tǒng)就誕生了。

百度教育團(tuán)隊(duì)也利用人工智能語音合成技術(shù)代替?zhèn)鹘y(tǒng)配音做了一個(gè)關(guān)于阿基米德的教學(xué)視頻?！鞍⒒椎?，出生于公元前287年……”隨著阿基米德的肖像照片，伴著沉著鎮(zhèn)定不快不慢的男聲，給人一種肖像和聲音渾然一體的感覺。雖然視頻中的聲音是機(jī)器合成的，但它的聲音標(biāo)準(zhǔn)、節(jié)奏合適，斷句也很合理，其中，英語、數(shù)字和語氣詞等表達(dá)都非常出色。還有一款閱讀產(chǎn)品iReader，使用智能語音合成技術(shù)來實(shí)現(xiàn)語音朗讀效果，增強(qiáng)用戶的閱讀體驗(yàn)。目前，它支持中文普通話廣播，中英文混合廣播以及各種聲音。此外，以大型游戲《逍遙西游》為例，通過百度語音合成技術(shù)實(shí)現(xiàn)游戲場景中的公告、任務(wù)等信息發(fā)布，讓玩家玩游戲的同時(shí)，也可接聽新任務(wù)。

實(shí)踐證明，配音合成不僅可以用于視聽閱讀，還可以用于教學(xué)視頻制作和課件制作場景。若是用在無需真人配音場景，或是低成本視頻制作，視頻配音的時(shí)間、人力等制作成本會大幅降低。

3 人工智能配音技術(shù)的先進(jìn)性

人工智能配音技術(shù)稱為“TTS”（文本到語音）。它是一種將計(jì)算機(jī)生成或外部輸入的文本信息轉(zhuǎn)換為可聽、流暢的口頭輸出的技術(shù)。簡單地說，文本被合成為一個(gè)聲音，即一個(gè)聲音文件。這種合成技術(shù)將用戶輸入的文本轉(zhuǎn)換為流暢自然的語音輸出，并支持語速、音調(diào)、音量和音頻設(shè)置。其打破了傳統(tǒng)的人機(jī)交互方式，使人們更加自然地溝通。在此技術(shù)基礎(chǔ)上，結(jié)合頂級聲學(xué)模型和語言模型，結(jié)合韻律處理，情感語音合成等技術(shù)，最終呈現(xiàn)出自然而富有張力的配音。

3.1 多種音色，可供挑選

AI語音合成技術(shù)支持中英文混合閱讀，并提供各種聲音包括男性、女性、情感和兒童，等等。

3.2 支持離線在線融合模式

AI語音合成采用在線融合技術(shù)，可以根據(jù)當(dāng)前網(wǎng)絡(luò)環(huán)境自動(dòng)判斷本地引擎或云端引擎，進(jìn)行語音合成。

3.3 合成效果流暢自然

在合成效果方面，良好的AI合成效果接近真人的聲音，流暢自然，非常富有表現(xiàn)力，能夠提供更舒適的聆聽體驗(yàn)。

3.4 電音模擬技術(shù)

用戶只需要讀取軟件指定的文本兩分鐘，就可以模擬它們的電子聲音。它用于唱歌、背誦，并以所有可以想象的語言去模擬一切可能的聲音。由于這項(xiàng)技術(shù)，今天許多技術(shù)行業(yè)將進(jìn)一步發(fā)展。

首先，所有種類機(jī)器人的擬人化將更加成功，因?yàn)樗鼈兛梢阅M真實(shí)、可控的聲音模型。一個(gè)具體的例子是，在今年的國際消費(fèi)電子展上，ObEN和凱撒娛樂集團(tuán)與微信合作。在凱撒娛樂旗下的酒店中，提供名為“Ben”的虛擬客戶服務(wù)。入住凱撒娛樂集團(tuán)酒店的客人可以通過跟隨凱撒娛樂集團(tuán)的微信號與手機(jī)進(jìn)行互動(dòng)，它可以用任何語音或語言回復(fù)。

4 人工智能配音的缺陷性和適應(yīng)性

針對人工智能配音的適應(yīng)性進(jìn)行了一些抽樣問卷調(diào)查，結(jié)果顯示，對于資訊類消息和任務(wù)播報(bào)場景等，63%的人從一開始就沒有表現(xiàn)出不適應(yīng)和排斥；21%的人表示在使用過程中不適感慢慢消失，開始習(xí)慣人工智能的配音；仍有16%的人堅(jiān)持認(rèn)為人工智能配音缺乏獨(dú)特的個(gè)性，更習(xí)慣真人配音。傳統(tǒng)的配音方法很大程度上依賴于配音演員，演員錄制的內(nèi)容是固定的。而這一切將可能因?yàn)槿斯ぶ悄芏淖?。一些看似簡單的視頻也需要專業(yè)團(tuán)隊(duì)在制作、場地、設(shè)備、演員、配音等方面花費(fèi)數(shù)天時(shí)間，投資不小。除人聲合成外，AI配音在對環(huán)境音和景物音的模擬中更是表現(xiàn)出色，常常使人真假難辨。很長一段時(shí)間、高價(jià)格、緩慢的過程、反復(fù)的確認(rèn)和修改是傳統(tǒng)配音的軟肋，尤其是高操作門檻讓很多普通用戶抱怨。人工智能軟件配音的誕生改變了傳統(tǒng)配音的弊端，操作門檻較低，配音效率較高，文字通過智能算法即刻變成人聲，這中間也省略了很多過程。隨著合成技術(shù)和專業(yè)設(shè)備的升級，人工智能配音的服務(wù)能力也將提升到一個(gè)新水平。

但AI智能配音還是有一定的缺陷，首先它沒有情感也沒有思想，在現(xiàn)階段僅僅只是能夠做到更接近人聲，但缺乏配音員對于聲音形象和具體情節(jié)的塑造，所以適用場景有限。其次，在智能語音交互方面，它還無法達(dá)到完全理解用戶的程度。要充分了解用戶不僅需要高度的語音識別，還需要復(fù)雜的動(dòng)態(tài)語義理解，機(jī)器才能準(zhǔn)確理解用戶的意圖。這是兩種不同的技術(shù)：語音識別僅將用戶的語音命令與嘈雜的背景聲音分開，確保原始命令正確；而語義理解更復(fù)雜，是增強(qiáng)用戶體驗(yàn)以支持不同用戶場景的關(guān)鍵步驟，能夠了解用戶的號令和真實(shí)需求，執(zhí)行上下文管理以及有效完成對話。

5 結(jié)語

雖然智能化很方便也專業(yè)省事，但是遠(yuǎn)比人工服務(wù)冰冷機(jī)械很多，在越來越發(fā)達(dá)的科技背后，人們會更加懷念人與人之間的交流與溝通。例如，在智能手機(jī)流行的當(dāng)代時(shí)代，許多人呼吁放下手機(jī)與周圍的人面對面交流。所以，未來科技越發(fā)達(dá)，越要重視人工服務(wù)的重要性。人工智能聽起來仿佛很遙遠(yuǎn)，但事實(shí)上已滲透到人們的日常工作和生活中。在不久的將來，互聯(lián)網(wǎng)的發(fā)展，大數(shù)據(jù)、硬件和軟件優(yōu)化，甚至整個(gè)社會的參與，人工智能將離開實(shí)驗(yàn)室真正發(fā)揮作用，成為改變?nèi)藗兩畹囊徊糠?。人工智能雖好，但也離不開人，所以智能配音不僅不會成為威脅，還將為配音行業(yè)帶來更大的商機(jī)。