新華社手機客戶端AI合成主播的語音考察

楊鑫悅

（北京師范大學(xué)文學(xué)院 北京 100875）

近年來，隨著人工智能技術(shù)的進一步開發(fā)，語音識別、語音合成、大數(shù)據(jù)評測等方面都取得了顯著進展，機器人AI 合成主播也應(yīng)運而生。2018年11月7日，在第五屆世界互聯(lián)網(wǎng)大會上，新華社客戶端與搜狗共同發(fā)布了全球首個合成新聞主播—AI合成主播“新小浩”。AI合成主播提取了新聞廣播中真人主播的語音、唇形、面部表情和動作特征，集合語音合成、算法模型、深度學(xué)習(xí)等技術(shù)而成。

2018年，全球首個仿真智能AI 主持人誕生；2019年，全球首個阿拉伯語和俄語合成主播誕生；2020年，全球首個3D版AI合成主播誕生。人工智能的迅速發(fā)展吸引了諸多學(xué)者的注意，對AI 合成主播的研究不再拘泥于計算機技術(shù)，新聞傳播、播音主持等領(lǐng)域都出現(xiàn)了相應(yīng)的研究成果。

馮梅（2021）在《人工智能背景下AI 合成主播的發(fā)展之路》一文中分析了AI 合成主播的優(yōu)勢和短板，對其未來發(fā)展持積極態(tài)度。郁江蘭（2020）分析了新華社AI合成主播2020年疫情新聞報道中內(nèi)容、技術(shù)和形式的特點，探討了媒體整合背景下人工智能合成主播的發(fā)展前景。宋國澳、麥夢佳（2020）將新小萌、新小浩、Lisa等新華社AI 合成主播作為家族，整體研究并歸納了智媒時代新聞播報的新特征及發(fā)展困境。

筆者在中國知網(wǎng)上搜索“AI主播”時，共出現(xiàn)141篇文章，但附加關(guān)鍵詞“語音”之后，僅出現(xiàn)4篇文章，而這4 篇文章均與行業(yè)的發(fā)展前景、人工智能的利弊相關(guān)，而與語音本體關(guān)系不大。唯一一篇與語音相關(guān)的文章《AI播音與人工播音的語音差異性考察》，從速度、發(fā)音、停頓和重音等角度分析了AI 播音與人工廣播的差異，但文章數(shù)據(jù)多與語料統(tǒng)計相關(guān)，涉及到語音本體的考察較少，且關(guān)于AI 語音準(zhǔn)確與否的界定并不明晰。因此，本文從語音相關(guān)要素入手，收集樣本語料，用Praat 軟件進行聲學(xué)分析，比較新華社手機客戶端AI 主播與新聞聯(lián)播主持人在語速、發(fā)音、停頓等方面的區(qū)別，討論AI 播音的語音特點。

一、新華社手機客戶端AI合成主播的語音特點

（一）AI合成主播的播音語速

語速是指單位時間內(nèi)人們在傳遞信息和溝通交流時呈現(xiàn)的詞匯數(shù)量，通常講話速度是相對的。正常情況下，使用現(xiàn)代漢語表達意思和傳播信息時，人們的語速約為240個音節(jié)/分鐘，經(jīng)過數(shù)據(jù)統(tǒng)計，廣播電視新聞播音的語速為300個音節(jié)/分鐘。

播音語速是指播音員播報稿件的速度，在數(shù)學(xué)上的計算方式為，播音語速=播報稿件總字?jǐn)?shù)÷播報時間，播音語速的單位一般為音節(jié)/分鐘。聽眾對播音語速快慢的感受受到很多方面影響，比如播音員個人的播音風(fēng)格和特點、播音技巧、說話節(jié)奏和語氣等。

本文隨機選取新華社app內(nèi)從2021年7月20日到8月18日30天內(nèi)每日一篇AI主播播報的時政新聞作為樣本語料，統(tǒng)計稿件字?jǐn)?shù)（含非中文單詞，不計空格）與播報時間，計算AI 播音語速。同時，在相同時間段內(nèi)，每日選取一篇央視頻app內(nèi)《新聞聯(lián)播》節(jié)目的國內(nèi)聯(lián)播快訊為對照語料，按照相同方式計算播音員的播音語速。鑒于新華社app中AI主播播報的新聞和《新聞聯(lián)播》聯(lián)播快訊的時間基本都為20-30秒，所以在統(tǒng)計播音語速時，單位統(tǒng)一為字符/秒。

通過對比30 天內(nèi)的兩組數(shù)據(jù)，發(fā)現(xiàn)AI 播音的平均語速4.98 字符/秒，播音員播音的平均語速為5.02 字符/秒，AI 播音的平均語速比播音員慢，但兩者差距不大，每秒相差0.04個字符，即每分鐘相差2.4個字符。

通過計算，AI播音語速的標(biāo)準(zhǔn)差為0.37，播音員播音語速的標(biāo)準(zhǔn)差為0.40，可見AI 播音語速的標(biāo)準(zhǔn)差較小，數(shù)值較為平均，波動較少，而播音員的播音語速存在一定波動。因此，聽眾在收聽AI 合成主播播報的新聞時，由于不同新聞的播報語速和播音風(fēng)格相差較小，收聽新聞的新鮮感可能維持在較低水平。而播音員對不同新聞的播報風(fēng)格有所不同，或莊重大方、或簡潔明快，播報節(jié)奏影響播音語速，使聽眾的聽覺和心理在接受信息時產(chǎn)生波動。

此外，在聲音傳播中，漢語語句內(nèi)部的詞與詞之間也會產(chǎn)生聚合現(xiàn)象，呈現(xiàn)“詞團”的狀態(tài)，詞與詞的聚合速度也會對播音語速產(chǎn)生一定影響。經(jīng)過對比考察，發(fā)現(xiàn)在人工播音中，“自由貿(mào)易試驗區(qū)臨港新片區(qū)”“氫能產(chǎn)業(yè)發(fā)展實施方案”“同江中俄跨江鐵路大橋”等詞語聚合詞團的播音語速較快，而新聞中表示并列、遞進等關(guān)系的“完善法制”“推動發(fā)行交易管理分類趨同”“提升信息披露”等詞團的播報語速較慢。而對于AI 播音而言，不同詞團的播音語速差別不大。

（二）AI合成主播的發(fā)音特點

本文選取8月20日新華社app 中AI 合成主播“新小浩”播報的《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進程2020年度報告〉在寧夏發(fā)布》和8月19日《新聞聯(lián)播》中嚴(yán)於信播報的《習(xí)近平向第五屆中國—阿拉伯國家博覽會致賀信》兩篇新聞中“第五屆中國—阿拉伯國家博覽會”這幾個字的讀音作為研究對象。AI 主播“新小浩”原型為新華社主播邱浩，與新聞聯(lián)播主持人嚴(yán)於信均為35歲左右男性。

提取以上兩篇新聞的語音信息后，本文利用計算機語音圖像分析軟件Praat，對音頻和數(shù)據(jù)進行處理，同時生成單元音[a][i][u]、輔音[k][t?]的語譜圖，并計算元音的共振峰數(shù)據(jù)、輔音的VOT 時間，繪制四聲聲調(diào)調(diào)型圖，對比分析AI主播和播音員在讀音方面的異同。

1.元音

1）對元音[a]的分析

圖1：AI主播[a]語譜圖

圖2：播音員[a]語譜圖

通過對AI 主播和播音員的“阿”樣本分析，得到兩幅語譜圖。計算共振峰得知，新華社AI 主播[a]的F1=971.14，F(xiàn)2=1056.58；新聞聯(lián)播播音員[a]的F1=838.47，F(xiàn)2=1509.76。

總體來說，[a]是前低不圓唇元音，第一共振峰頻率比較高，第一共振峰頻率和第二共振峰頻率差別不大。相比播音員[a]音，AI主播[a]音的F1較高，F(xiàn)2較低，即開口度相對較大，舌位相對靠后。

2）對元音[i]的分析

通過對AI 主播和播音員的“第”樣本韻母的分析，得到兩幅語譜圖。計算共振峰得知，新華社AI主播[i]音的F1=1015.59，F(xiàn)2=2452.78；新聞聯(lián)播播音員[i]音的F1=999.03，F(xiàn)2=2398.99。

總體來說，[i]是前高不圓唇元音，第一共振峰頻率比較低，第一共振峰頻率和第二共振峰頻率差別較大。相比播音員[i]音，AI 主播[i]音的F1 和F2 都偏高，即開口度相對較大，舌位相對靠前。

3）對元音[u]的分析

通過對AI 主播和播音員的“五”樣本韻母的分析，得到兩幅語譜圖。計算共振峰得知，新華社AI 主播[u]音的F1=742.85，F(xiàn)2=2180.42；新聞聯(lián)播播音員[u]音的F1=623.77，F(xiàn)2=2037.03。

總體來說，[u]是后高圓唇元音，第一共振峰頻率比較低，第一共振峰頻率和第二共振峰頻率差別較大。相比播音員[u]音，AI主播[u]音的F1和F2都偏高，即開口度相對較大，舌位相對靠前。

2.輔音

1）對輔音[k]的分析

圖7：AI主播[k]語譜圖

圖8：播音員[k]語譜圖

VOT表示嗓音的起始時間，即從輔音除阻到聲帶振動之間經(jīng)過的時間。新聞報道“第五屆中國—阿拉伯國家博覽會”中“國”的輔音[k]是不送氣清塞音，本文通過對AI 主播和播音員的“國”樣本分析，發(fā)現(xiàn)兩篇新聞中輔音[k]的VOT均約0-5毫秒。

2）對輔音[t]的分析

圖9：AI主播[t]語譜圖

圖10：播音員[t]語譜圖

本文又對AI 合成主播播報的《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進程2020年度報告〉在寧夏發(fā)布》中“投資”的“投”，以及《新聞聯(lián)播》中《習(xí)近平向第五屆中國—阿拉伯國家博覽會致賀信》中“推動”的“推”進行樣本語譜圖分析，“投”和“推”的輔音均為送氣清塞音[t]。本文通過對AI 主播和播音員的“投”和“推”樣本分析，發(fā)現(xiàn)兩篇新聞中輔音[t?]的VOT 均約超過50 毫秒，AI 播音[t?]的VOT為68毫秒，播音員播音[t?]的VOT為55毫秒。

3.聲調(diào)

本文選取AI 合成主播播報的《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進程2020年度報告〉在寧夏發(fā)布》和《新聞聯(lián)播》中《習(xí)近平向第五屆中國—阿拉伯國家博覽會致賀信》兩篇新聞中“第五屆中國—阿拉伯國家博覽會”中“阿”“伯”“覽”“會”四個字作為聲調(diào)的研究對象，利用15點聲調(diào)腳本，繪制了AI主播和播音員的四聲調(diào)型圖。

在趙元任提出的五度標(biāo)度法中，現(xiàn)代漢語普通話四個聲調(diào)的五度值分別為：陰平55、陽平35、上聲214、去聲51，同時，一個聲調(diào)可以有各種調(diào)位變體。通過觀察AI主播和播音員的四聲調(diào)型圖，可以發(fā)現(xiàn)兩者對陰平例字“阿”的讀音都屬于平調(diào)，讀起來高而平；陽平例字“伯”的讀音，讀起來由中逐漸升高，AI主播讀音比播音員讀音的音調(diào)更高；上聲例字“覽”的讀音，讀起來由半高降低到低再升至次高，AI 主播和播音員讀音音調(diào)相似，但AI 主播音節(jié)中間的調(diào)值沒有降至適當(dāng)位置，存在調(diào)值不準(zhǔn)確的問題；去聲例字“會”的讀音，讀起來由高降到低，AI 主播讀音的音調(diào)過低，且音節(jié)中音高走勢變化不明顯。

總體來說，相對于播音員讀音，AI 主播讀音陰平和去聲的音調(diào)較低，上聲和去聲存在調(diào)值不準(zhǔn)確的問題，音節(jié)中音高曲折起落的變化不顯著，上聲音節(jié)中間調(diào)值音調(diào)偏高，去聲從高音到低音的音高走勢過于平緩。

二、AI合成主播的播音停頓

通過觀察AI 主播和播音員分別播報的30 篇新聞樣本，可以發(fā)現(xiàn)兩者的播音停頓主要以標(biāo)點符號作為依據(jù)。標(biāo)點符號不僅是書面語的組成部分，也是輔助書面語記錄的符號，它用來表達停頓、語氣以及詞語的性質(zhì)和功能，其在口頭語言中的表現(xiàn)就是時間間隔。

新聞開頭部分的導(dǎo)語，比如介紹新聞時間、地點、背景、人物等的“硬式導(dǎo)語”一般不含有標(biāo)點符號。播音員在播報新聞時，會在口語中自然加入句中停頓，方便聽眾區(qū)分理解，而AI 主播無法自主識別句中的詞語關(guān)系，一般不會做出停頓。比如，《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進程2020年度報告〉在寧夏發(fā)布》這篇新聞的導(dǎo)語“在19日于寧夏舉行的第五屆中國—阿拉伯國家博覽會工商峰會上，中英文版《中阿經(jīng)貿(mào)關(guān)系發(fā)展進程2020年度報告》正式發(fā)布。”AI 主播只在破折號、逗號、句號三個地方有所停頓，而對時間、地點、事件等名詞的連用不做停頓處理，這不符合聽眾接受信息的規(guī)律和習(xí)慣，易使聽眾覺得單一、混淆。

反觀播音員播報的《習(xí)近平向第五屆中國—阿拉伯國家博覽會致賀信》這篇新聞的導(dǎo)語“8月19日，國家主席習(xí)近平向第五屆中國—阿拉伯國家博覽會致賀信?！本渲腥宋铩皣抑飨?xí)近平”和事件“向第五屆中國—阿拉伯國家博覽會致賀信”之間雖然沒有標(biāo)點符號，但播音員會根據(jù)聽眾聽音習(xí)慣，自覺加入句中停頓。

總體來說，AI 主播播報新聞的停頓絕大多數(shù)依賴標(biāo)點符號，且每次停頓的時間間隔基本相同；而播音員播報新聞時的句中停頓較為靈活，主要包括根據(jù)自身氣息需要的生理停頓、反映語法關(guān)系的語法停頓、加強節(jié)奏感的音節(jié)停頓，以及突出語義的強調(diào)停頓。此外，播音員還會根據(jù)停頓的重要與否，調(diào)整每次停頓時間，使聽眾的聽覺感受更加豐富。

三、AI合成主播在新聞播報中的優(yōu)勢和不足

AI 主播自從在新華社移動客戶端上線以來，已經(jīng)播報了一萬多條新聞。在媒體融合時代，它實現(xiàn)了新聞播報主體、播報內(nèi)容、播報過程的智能化。新華社AI 合成主播的研究團隊采用人臉識別、語音識別等技術(shù)，提取社內(nèi)真人主播的發(fā)音特點及說話的動作習(xí)慣，使AI 主播在語音和外形上更接近真實主播。

實際操作中，將新聞文字內(nèi)容輸入機器后，AI 主播就可以進行實時播報，不受時間、空間的限制，能夠全天候參與新聞播音，因此，相比真人主播，AI 播音具有更強的時效性。此外，通過機器合成的語音雖然在發(fā)音上存在小問題，但總體來說，AI 算法也有助于提升新聞播報的準(zhǔn)確度和可信度。

2016年開始，短視頻流行于網(wǎng)絡(luò)平臺，逐漸成為信息傳播的重要載體。筆者統(tǒng)計新華社手機客戶端“AI 主播”欄目的新聞后，發(fā)現(xiàn)欄目主要播報幾十秒的短新聞，大多數(shù)新聞的播報時間為20-30秒，AI播報在有限時間內(nèi)整合零散信息，將核心內(nèi)容迅速傳達給聽眾，增強了用戶體驗。

但AI 新聞播報也面臨一些發(fā)展困境。AI 主播的播報形式局限于播報式，基本不會涉及新聞的另兩種播報方式—宣讀式和談話式。由于目前人工智能技術(shù)在人機交互方面還有待繼續(xù)研究，所以AI 合成主播還無法參與涉及到交流對話、談話技巧的新聞采訪、直播、訪談等工作。

視覺呈現(xiàn)方面，AI 主播雖然在外形上接近真人主播，但播報過程中面部肌肉、嘴型、表情的變化，還不能與文字內(nèi)容標(biāo)準(zhǔn)契合。聽覺感受方面，AI 主播的語速較真人主播偏慢，發(fā)音上存在單元音開口度偏大，聲調(diào)曲折變化程度不夠明顯等問題，句中停頓調(diào)整也不靈活。因此，聽眾在觀察主播和收聽新聞時，可能會有一定的違和感和不適應(yīng)。

此外，AI 主播在播音時缺少情感，語音播報中缺乏重音的強調(diào)和句子之間的語氣變化，播報不同新聞的語速、停頓基本相同，很難引起聽眾收聽新聞的情感共鳴。

結(jié)語

本文從語速、發(fā)音、停頓三方面，分別考察了AI 播音和人工播音的語音特點，通過比較音頻、分析語譜圖和調(diào)型圖數(shù)據(jù)，發(fā)現(xiàn)目前AI 合成播音已經(jīng)取得了顯著發(fā)展，在新聞播音界占據(jù)一席之地。但AI 播音與人工播音仍存在一些差異，語速方面，AI 播音語速較慢，波動較?。蝗斯げヒ粽Z速較快，波動稍大。發(fā)音發(fā)面，AI 播音的單元音[i][u]的開口度相對較大，舌位相對靠前；人工播音的單元音[i][u]的開口度相對較小，舌位相對靠后。AI播音和人工播音中不送氣清塞音[k]的VOT均約0-5毫秒，送氣清塞音[t?]的VOT均超過50毫秒。停頓方面，AI播音基本依靠標(biāo)點符號判斷停頓；人工播音的停頓除了依靠標(biāo)點符號，還有生理停頓、音節(jié)停頓、強調(diào)停頓等。

AI 播音實現(xiàn)了新聞播報的智能化，提高了新聞的時效性和可信度，播報內(nèi)容簡練，聚合能力強。但其在播報形式、視覺呈現(xiàn)、聽覺感受、情感互動上的功能比較有限，這也是未來智能語音技術(shù)在AI研究中的重點。

AI 合成主播的出現(xiàn)印證了科學(xué)技術(shù)的發(fā)展，也預(yù)示著新聞傳播在方式上的轉(zhuǎn)變趨勢，但它不會取代傳統(tǒng)主播而獨立存在，隨著人工智能在媒介融合領(lǐng)域的嘗試，人機將加強協(xié)同創(chuàng)新，走向合作共贏的局面。對此，我們應(yīng)該秉持積極態(tài)度，期待計算機和語言學(xué)領(lǐng)域的學(xué)者不斷探索、研發(fā)、應(yīng)用，提升智能語音技術(shù)，促進新聞主持行業(yè)的繁榮振興?！?/p>