智能語(yǔ)音技術(shù)在廣播產(chǎn)業(yè)中的四種應(yīng)用

朱飛虎　焦慶爭(zhēng)

【摘要】智能語(yǔ)音技術(shù)自上世紀(jì)末開(kāi)始在廣播產(chǎn)業(yè)中應(yīng)用，隨著深度學(xué)習(xí)算法的普及而有了強(qiáng)大的技術(shù)支撐。目前，智能語(yǔ)音在廣播產(chǎn)業(yè)中有四種應(yīng)用，即廣播內(nèi)容采集、廣播內(nèi)容生成、廣播內(nèi)容傳播、廣播內(nèi)容管理，本文對(duì)此做簡(jiǎn)單梳理，以明確下一步工作的推進(jìn)。

【關(guān)鍵詞】智能語(yǔ)音 廣播產(chǎn)業(yè) 傳統(tǒng)廣播

【中圖分類號(hào)】G221 【文獻(xiàn)標(biāo)識(shí)碼】A

1997年，比利時(shí)萊爾努·豪斯派（Lernout&Hauspie）公司發(fā)布了Naturally Speaking軟件的1.0版本并大受好評(píng)，這是第一款為世界所知的消費(fèi)級(jí)智能語(yǔ)音軟件產(chǎn)品。人們驚嘆于它的連續(xù)語(yǔ)音識(shí)別能力和準(zhǔn)確度，并愿意為此付費(fèi)，這讓該公司很快取得了商業(yè)上的成功。

Naturally Speaking的成功直接啟發(fā)了其他公司或組織對(duì)于加快智能語(yǔ)音應(yīng)用的思考。彼時(shí)，NaturallySpeaking的愿景是為專業(yè)人士分擔(dān)工作，用語(yǔ)音識(shí)別的方式幫助他們完成文檔、報(bào)告、郵件、表格、日程安排等工作。但是，很快人們就將智能語(yǔ)音的應(yīng)用場(chǎng)景從個(gè)人辦公拓寬到汽車、醫(yī)療、通信、家電等行業(yè)應(yīng)用中，智能語(yǔ)音技術(shù)在廣播產(chǎn)業(yè)中的應(yīng)用也是從這一時(shí)期起步的。比如：日本電報(bào)電話公司（NTT，Nippon Telegraph&Tel Corp）自行研發(fā)了一套實(shí)驗(yàn)性的語(yǔ)音交互系統(tǒng)，用于廣播和數(shù)字通信中的語(yǔ)音轉(zhuǎn)錄與信息提?。?997年）;①美國(guó)麻省理工學(xué)院媒體實(shí)驗(yàn)室為廣播電臺(tái)設(shè)計(jì)了一款廣播內(nèi)容分析軟件，可以基于興趣偏好為用戶匹配類似的音頻新聞故事（2000年）;②日本放送協(xié)會(huì)（NHK，Nippon hoso kyokai）在自己的廣播電視新聞節(jié)目中使用一套字幕實(shí)時(shí)轉(zhuǎn)錄系統(tǒng)，解決了鍵盤(pán)輸人新聞字幕速度跟不上播音語(yǔ)速的同題（2000年）;③歐洲的葡萄牙及很多其他葡萄牙語(yǔ)國(guó)家則應(yīng)用了一套名為AUDIMUS的語(yǔ)音識(shí)別引擎，用以進(jìn)行廣播播出監(jiān)控和音頻數(shù)據(jù)自動(dòng)轉(zhuǎn)錄，可以實(shí)現(xiàn)低誤差和后期4倍加速效果。④

當(dāng)然，當(dāng)時(shí)的智能語(yǔ)音技術(shù)在廣播產(chǎn)業(yè)的這些應(yīng)用存在著非常大的局限性：一是基本只有智能語(yǔ)音中的語(yǔ)音識(shí)別技術(shù)得到了應(yīng)用，缺乏與其他技術(shù)的聯(lián)動(dòng)，應(yīng)用的場(chǎng)景非常有限，多數(shù)用于廣播節(jié)目的后期轉(zhuǎn)錄存檔。二是應(yīng)用的范圍有限。因?yàn)楫?dāng)時(shí)語(yǔ)音識(shí)別軟件的穩(wěn)定性、適應(yīng)性還存在一些問(wèn)題，所以這種應(yīng)用只能在廣播播出間、編輯室中展開(kāi)。三是很多智能語(yǔ)音系統(tǒng)還處在實(shí)驗(yàn)性階段，大部分不甚成熟且造價(jià)較高，故這種應(yīng)用基本上只在一些發(fā)達(dá)國(guó)家的規(guī)模較大的廣播電臺(tái)中存在。

智能語(yǔ)音技術(shù)在廣播產(chǎn)業(yè)中的應(yīng)用水平是以智能語(yǔ)音技術(shù)發(fā)展水平為前提的，2006年之后，隨著深度學(xué)習(xí)算法在智能語(yǔ)音研究領(lǐng)域中的普及，智能語(yǔ)音的技術(shù)水平才迅速發(fā)展。智能語(yǔ)音在廣播產(chǎn)業(yè)中的應(yīng)用也迅速鋪展開(kāi)來(lái)，同時(shí)開(kāi)始向縱深推進(jìn)。

一、智能語(yǔ)音在廣播內(nèi)容采集中的應(yīng)用

傳統(tǒng)廣播內(nèi)容采編，主要依靠記者在現(xiàn)場(chǎng)通過(guò)錄音筆、電腦以及紙筆進(jìn)行記錄，而整理采訪資料時(shí)經(jīng)常需要重復(fù)聽(tīng)錄音，費(fèi)時(shí)費(fèi)力。智能語(yǔ)音的出現(xiàn)為這個(gè)問(wèn)題提供了一種解決方法。

2015年，原中央人民廣播電臺(tái)和中國(guó)科學(xué)院簽署協(xié)議，決定共建中國(guó)廣播云平臺(tái)，其中一項(xiàng)重要內(nèi)容就是建立國(guó)內(nèi)廣播電臺(tái)全媒體采編系統(tǒng)，實(shí)現(xiàn)人工智能時(shí)代廣播新聞采編的進(jìn)化。在全媒體采編系統(tǒng)中，記者可以通過(guò)手機(jī)采編客戶端將采訪錄音實(shí)時(shí)轉(zhuǎn)化為文字，辨識(shí)正確率在95%以上，并且可以進(jìn)行語(yǔ)義修改，基本上達(dá)到了即采即發(fā)的標(biāo)準(zhǔn)，極大地提高了新聞采編的效率。這套系統(tǒng)支持蒙古族、藏族、維吾爾族、哈薩克族、朝鮮族等5個(gè)少數(shù)民族語(yǔ)言和中、英、俄、法、日、韓等多國(guó)語(yǔ)言，可在采訪錄音時(shí)通過(guò)智能語(yǔ)音引擎將上述語(yǔ)言實(shí)時(shí)翻譯為中文，突破了記者個(gè)人能力的限制，將“不可能的采訪”變成了可能。

不過(guò)，這套全媒體采編系統(tǒng)仍然存在局限，比如需要依賴手機(jī)進(jìn)行錄音，在嘈雜的采訪環(huán)境或現(xiàn)場(chǎng)遠(yuǎn)距離采訪中效果就不甚理想;還需要依賴手機(jī)網(wǎng)絡(luò)信號(hào)，遇到復(fù)雜網(wǎng)絡(luò)場(chǎng)景（如大型發(fā)布會(huì)現(xiàn)場(chǎng)）或者無(wú)網(wǎng)絡(luò)場(chǎng)景（如偏遠(yuǎn)山區(qū)）時(shí)，語(yǔ)音轉(zhuǎn)化能力也大打折扣，語(yǔ)音翻譯則基本不可用。

眾多的智能語(yǔ)音公司嘗試為新聞?dòng)浾呱a(chǎn)專門的智能語(yǔ)音采訪設(shè)備來(lái)解決這些問(wèn)題，科大訊飛股份有限公司就是其中的先行者。其在2018年推出了專門針對(duì)媒體工作者的專業(yè)轉(zhuǎn)寫(xiě)設(shè)備“訊飛M1轉(zhuǎn)寫(xiě)助手”，并將之提供給一些中央級(jí)媒體進(jìn)行全國(guó)兩會(huì)采訪使用。這款設(shè)備能夠有效拾取十米范圍內(nèi)的聲音并進(jìn)行數(shù)字降噪，實(shí)現(xiàn)遠(yuǎn)距離無(wú)損錄音;同時(shí)內(nèi)置離線智能語(yǔ)音數(shù)據(jù)，可以實(shí)現(xiàn)無(wú)網(wǎng)絡(luò)條件下的轉(zhuǎn)寫(xiě)和翻譯。2019年，科大訊飛股份有限公司又推出面向會(huì)議采訪的語(yǔ)音轉(zhuǎn)寫(xiě)移動(dòng)工作站——訊飛轉(zhuǎn)寫(xiě)機(jī)，除了能夠精準(zhǔn)拾取與識(shí)別會(huì)議、講座、發(fā)布會(huì)的語(yǔ)音內(nèi)容并實(shí)現(xiàn)語(yǔ)音轉(zhuǎn)文字和即時(shí)翻譯之外，還能夠識(shí)別不同聲源，智能區(qū)分不同說(shuō)話者的聲音，并按照人物將文字稿分類排布。目前訊飛轉(zhuǎn)寫(xiě)機(jī)由于售價(jià)昂貴，尚未在記者群體中普及，但在不少大型會(huì)議現(xiàn)場(chǎng)已經(jīng)可以見(jiàn)到它的身影，主辦方主要使用訊飛轉(zhuǎn)寫(xiě)機(jī)進(jìn)行現(xiàn)場(chǎng)雙語(yǔ)字幕直播，同時(shí)為記者提供現(xiàn)場(chǎng)語(yǔ)音和文字實(shí)錄。其通過(guò)“語(yǔ)音+圖像”同步智能識(shí)別技術(shù)，能夠自動(dòng)查找、識(shí)別演講者投影屏幕中的關(guān)鍵詞匯，并將其自動(dòng)添加到語(yǔ)音識(shí)別引擎中，實(shí)時(shí)生效，大幅提升了專業(yè)詞匯的識(shí)別效果，⑤減輕了記者后期文字編輯的工作量，也降低了可能出現(xiàn)的專業(yè)知識(shí)紕漏。

類似的專業(yè)智能語(yǔ)音設(shè)備其實(shí)還有很多，比如瑞典Anoto公司生產(chǎn)的Livescribe智能筆，它支持記者在采訪時(shí)邊錄音邊用智能筆寫(xiě)下關(guān)鍵信息，并將錄音與文字同步到云端，在采訪結(jié)束后，在手機(jī)應(yīng)用中點(diǎn)擊相關(guān)文字時(shí)，將會(huì)播放當(dāng)時(shí)的實(shí)況錄音，這將有利于音頻資料的查詢與廣播節(jié)目制作。還有北京搜狗公司推出的搜狗智能錄音筆C1，它在基本的語(yǔ)音轉(zhuǎn)文字功能的基礎(chǔ)上，還完善了自動(dòng)分段、語(yǔ)氣詞過(guò)濾、關(guān)鍵詞優(yōu)化、在線編輯、重點(diǎn)標(biāo)記等功能。⑥

隨著越來(lái)越多的廣播電臺(tái)都開(kāi)始為記者配備這些體積小巧、功能完善的專業(yè)級(jí)智能語(yǔ)音采訪設(shè)備，智能語(yǔ)音技術(shù)正在廣播內(nèi)容采集中發(fā)揮越來(lái)越大的作用。

二、智能語(yǔ)音在廣播內(nèi)容生成中的應(yīng)用

盡管最早的CRT示波器在1897年就已經(jīng)出現(xiàn)，但示波技術(shù)被廣泛應(yīng)用在廣播內(nèi)容制作上卻是20世紀(jì)60年代之后的事情，它讓廣播采集的內(nèi)容變?yōu)椤耙曈X(jué)可見(jiàn)”。盡管這是廣播內(nèi)容制作的一個(gè)巨大飛躍，但是它也存在著“可見(jiàn)卻難以理解”的原生缺陷，節(jié)目制作者往往需要花費(fèi)大量時(shí)間反復(fù)聆聽(tīng)來(lái)確認(rèn)具體內(nèi)容，故而效率也是無(wú)法保持的。要解決這一問(wèn)題，必須使廣播由“視覺(jué)可見(jiàn)”變?yōu)椤耙曈X(jué)可理解”，而智能語(yǔ)音恰恰能夠滿足這一點(diǎn)。

2017年7月，江蘇省廣播電視總臺(tái)面向內(nèi)部推出了一套內(nèi)容編譯系統(tǒng)，⑦用于廣播節(jié)目的后期制作。這套系統(tǒng)能夠通過(guò)智能語(yǔ)音將廣播音頻文件轉(zhuǎn)化為文字，并將音頻內(nèi)容與文字內(nèi)容一一對(duì)應(yīng)、說(shuō)話者聲音與特定顏色一一對(duì)應(yīng)。這套系統(tǒng)可以實(shí)現(xiàn)以下功能：一是支持通過(guò)文字進(jìn)行音頻尋址，這讓編輯可以快速找到所需音頻片段并進(jìn)行剪輯;二是支持預(yù)設(shè)敏感詞，并對(duì)含有敏感詞匯的廣播內(nèi)容進(jìn)行特定顏色標(biāo)注，這將有利于編輯進(jìn)行節(jié)目審核;三是支持視頻內(nèi)容字幕制作，為廣播電臺(tái)在新媒體平臺(tái)上的聲音、文字、視頻融合傳播提供便捷。觀察這套系統(tǒng)的運(yùn)行邏輯，我們會(huì)發(fā)現(xiàn)，智能語(yǔ)音是其實(shí)現(xiàn)眾多功能的核心，它通過(guò)聲音與文本的內(nèi)容轉(zhuǎn)化，將音頻波形編輯轉(zhuǎn)變成文檔編輯甚至圖形編輯，從根本上打破了媒介編輯的界限，改變了傳統(tǒng)廣播內(nèi)容后期制作的方式，在極大程度上提高了廣播內(nèi)容制作效率。應(yīng)當(dāng)說(shuō)，江蘇省廣播電視總臺(tái)的這套系統(tǒng)是智能語(yǔ)音技術(shù)在廣播內(nèi)容制作中后臺(tái)編譯方面的成功應(yīng)用，但這一系統(tǒng)目前還未推廣開(kāi)來(lái)，無(wú)論是國(guó)內(nèi)還是國(guó)外，類似的嘗試還比較少見(jiàn)。

與此同時(shí)，智能語(yǔ)音技術(shù)在廣播內(nèi)容制作中的另一種應(yīng)用卻較為廣泛地出現(xiàn)在了各大廣播電臺(tái)中，這就是擬人化的智能語(yǔ)音角色參與到節(jié)目前臺(tái)播報(bào)之中。最具代表性的是由微軟（亞洲）互聯(lián)網(wǎng)工程院研發(fā)的“小冰”智能語(yǔ)音技術(shù)，從2017年北京廣播電視臺(tái)青年廣播FM98.2、湖南廣播電視臺(tái)音樂(lè)之聲FM89.3、中央廣播電視總臺(tái)國(guó)廣HitFM FM88.7三家廣播頻率開(kāi)始，到2019年8月1日，“小冰”已經(jīng)在國(guó)內(nèi)主持了63檔電臺(tái)和電視臺(tái)的節(jié)目。⑧在這些節(jié)目中，“小冰”或與真人主持人搭檔，或自己全程主持，所表現(xiàn)出的主持水準(zhǔn)令人贊嘆。對(duì)于廣播內(nèi)容制作來(lái)說(shuō)，“小冰”的加人所帶來(lái)的益處是顯而易見(jiàn)的：一是能夠讓廣播電臺(tái)真正實(shí)現(xiàn)全天候、不間斷地高質(zhì)量播出，充分保證了廣播節(jié)目制作和播出的持續(xù)性。二是能夠確保提供精確信息。因?yàn)椤靶”敝R(shí)儲(chǔ)備非常豐富，且不會(huì)出現(xiàn)口播差錯(cuò)，保證了廣播節(jié)目制作和播出的穩(wěn)定性。三是通過(guò)了解聽(tīng)眾喜好，“小冰”能夠因人而變，實(shí)時(shí)為用戶提供精準(zhǔn)的內(nèi)容服務(wù)，這提升了廣播節(jié)目制作和播出的針對(duì)性。四是能夠豐富廣播節(jié)目樣態(tài)?！靶”背丝梢宰鲋鞑?，還可以做新聞評(píng)論員、歌手、詩(shī)人等，它能應(yīng)聽(tīng)眾之邀不時(shí)地在廣播節(jié)目中唱上幾句或者評(píng)論一下時(shí)事，或?yàn)槟硞€(gè)來(lái)電聽(tīng)眾寫(xiě)首藏頭詩(shī)，這些功能是普通真人主持人所難以一人兼具的。因?yàn)椤靶”钡某錾憩F(xiàn)，正有越來(lái)越多的國(guó)內(nèi)廣播電臺(tái)向它發(fā)出邀請(qǐng)。

三、智能語(yǔ)音在廣播內(nèi)容傳播中的應(yīng)用

2019年6月，美國(guó)國(guó)家公共廣播電臺(tái)（NPR，National Public Radio）與美國(guó)愛(ài)迪生研究公司（EdisonResearch）發(fā)布了一份《智能語(yǔ)音報(bào)告》，報(bào)告顯示，在美國(guó)18歲以上的成年人中，21%的人擁有一臺(tái)智能音箱，擁有人數(shù)達(dá)到5300萬(wàn)，而2018年這一數(shù)字是1400萬(wàn)，其增長(zhǎng)率高達(dá)378.6%。在擁有智能音箱的被調(diào)查對(duì)象中，有42%的人會(huì)使用智能音箱來(lái)獲取新聞，37%的人會(huì)聽(tīng)AM/FM廣播，55%的人則認(rèn)為他們?cè)趽碛兄悄芤粝渲舐?tīng)了更多的音頻內(nèi)容，還有74%和66%的人表示他們會(huì)在做家務(wù)或者下廚的時(shí)候使用智能音箱。

盡管這份報(bào)告表征的是美國(guó)智能音箱的使用現(xiàn)狀，但它是具有代表性的，至少說(shuō)明了智能語(yǔ)音在廣播內(nèi)容傳播中的幾個(gè)重要作用：一是擴(kuò)展了用戶的廣播收聽(tīng)渠道。這讓廣播在傳統(tǒng)廣播收音機(jī)、智能手機(jī)之外，有了更多傳播渠道的可能。在中國(guó)，智能音箱2019年在中國(guó)市場(chǎng)的用戶規(guī)模已經(jīng)達(dá)到了2370萬(wàn)臺(tái)，相較2018年的257萬(wàn)臺(tái)提升了近8倍。⑨在英國(guó)，2018年智能音箱已經(jīng)有950萬(wàn)用戶，比2017年增長(zhǎng)98.6%，而這一數(shù)字在2019年將會(huì)再增長(zhǎng)31.6%，達(dá)到1260萬(wàn)人。⑩二是增加了用戶的廣播收聽(tīng)頻率。人們樂(lè)于通過(guò)簡(jiǎn)單的喚醒詞打開(kāi)智能音箱，并使用便捷的語(yǔ)音交互選擇自己喜歡的廣播頻率，讓它伴隨性地播放。三是使廣播重新進(jìn)入家庭。在客廳中，智能音箱越來(lái)越成為和電視一樣的必備家電，它使一家人聚在一起共同聆聽(tīng)廣播，就仿若在美國(guó)上世紀(jì)30年代一家人通過(guò)收音機(jī)聆聽(tīng)羅斯福的“爐邊談話”一般。

智能語(yǔ)音技術(shù)為廣播的內(nèi)容傳播開(kāi)辟了新市場(chǎng)，并吸引著越來(lái)越多的廣播電臺(tái)將自己的頻率與智能音箱連接，以便觸達(dá)更多用戶。早在2014年，美國(guó)國(guó)家公共廣播電臺(tái)便與亞馬遜Echo智能音箱合作，成為其默認(rèn)新聞提供商，而后又人駐谷歌Home智能音箱和蘋(píng)果Homepod智能音箱，為它們提供廣播音頻內(nèi)容;美國(guó)NBC環(huán)球集團(tuán)的消費(fèi)者新聞與商業(yè)頻道（CNBC，Consumer News and Business Channel）則從2016年12月起開(kāi)始為亞馬遜Echo智能音箱提供新聞服務(wù);英國(guó)廣播公司（BBC）也在2017年12月宣布，亞馬遜Echo智能音箱的用戶可以在這一平臺(tái)上收聽(tīng)英國(guó)廣播公司56個(gè)廣播頻率的內(nèi)容，同時(shí)還將《阿澈一家》《女性時(shí)間》等熱門節(jié)目搬到了上面。⑧同時(shí)，值得關(guān)注的是，由于進(jìn)駐了這些智能語(yǔ)音平臺(tái)，廣播公司所生產(chǎn)的內(nèi)容可以被用戶以語(yǔ)音控制的方式無(wú)障礙地發(fā)現(xiàn)。

上述應(yīng)用非常重要，雖然這種連接，本質(zhì)上還只是廣播內(nèi)容傳播的渠道延伸。其實(shí)，在智能語(yǔ)音這樣一個(gè)新的聲音消費(fèi)平臺(tái)上，業(yè)界更關(guān)注的是探索一種與廣播電臺(tái)、網(wǎng)絡(luò)電臺(tái)完全不同的聲音傳播與消費(fèi)形式，這是智能語(yǔ)音為廣播內(nèi)容傳播所帶來(lái)的新思考。從已有的實(shí)踐來(lái)看，這種形式主要有以下三種：