劉：我73年出生的，31歲。
作者：我們都聽說您在這行業(yè)是年輕有為，能簡單地介紹一下您大概的創(chuàng)業(yè)經(jīng)歷嗎？
劉：我90年進中國科技大學(xué)，學(xué)的是電子工程系，因為成績比較好，92年就進了中國科技大學(xué)和國家計算機研究開發(fā)中心聯(lián)合設(shè)立的人機語音通訊實驗室。95年本科畢業(yè)，保送上研究生，那時就開始作為語音合成這個項目的負責(zé)人了。我在本科畢業(yè)論文階段，就在做一個語音合成的合成器，模擬人發(fā)音的整個過程，用數(shù)字信號技術(shù)來處理這個模型。這個是我自己獨立設(shè)計的，效果挺不錯，參加了863評比，當(dāng)時引起了較大的轟動。
95年做語音技術(shù)用參數(shù)合成，做到了一般的波型合成的音質(zhì)，效果還是很好的。我在那時就帶些人正式開始承擔(dān)實驗室所參加的測試。我在科大本科時成績很好，在與數(shù)學(xué)、物理相關(guān)的學(xué)科中幾乎都是第一名，又是班長，本來是想出國的，但因為對語音合成技術(shù)有濃厚的興趣，就留下來讀了研究生。98年研究生畢業(yè)，當(dāng)時科學(xué)院系統(tǒng)最高的榮譽-中國科學(xué)院長獎金特別獎給了我。
作者：當(dāng)時這個獎金是發(fā)給研究生的？
劉：是的，是發(fā)給研究生里面學(xué)習(xí)和科研都做得最好的學(xué)生。后來98年參加國際會議時也是，在新加坡開的首屆國際漢語語音研討會，我得了唯一學(xué)生最佳論文獎。
作者：那劉總在讀研究生的時候有沒有想過要出國去發(fā)展，據(jù)我所知，中科大的學(xué)生還是相對比較熱衷于出國深造的？
劉：我當(dāng)時出國基礎(chǔ)很好，很多大學(xué)都要我去。可后來研究生畢業(yè)之所以會放棄出國，最主要還是看到了產(chǎn)業(yè)化的前景。如果要出國有兩個選擇，要么去美國幾個做語音比較好的大學(xué)，要么到東京大學(xué)，東京大學(xué)做語音是很棒的。無論去哪里其實都可能會跟我原來的實驗室形成競爭，這是讓我放心不下的一個很大的因素。第二個就是，科大當(dāng)時那種開放式的研發(fā)體系，不拘一格的研究團隊組合，可以把我們當(dāng)時做了一半的想法更快地落實下去，因為我們在98年863評比時是第一名，有很好的評價，而且那時就明確地知道還有很大的余地在后面。第三就是產(chǎn)業(yè)化前景。我記得從96年開始，863提倡'頂天立地'，'頂天'就是核心技術(shù)要做到國際領(lǐng)先，'立地'就是要立足于市場，能夠產(chǎn)業(yè)化。當(dāng)時我們已經(jīng)開始在對外開展產(chǎn)業(yè)化合作了，當(dāng)時到華為出差一個多星期，把我們的語音技術(shù)和他們的系統(tǒng)融合，有很大的感觸；98年給福建工商系統(tǒng)做查詢系統(tǒng)，在把技術(shù)產(chǎn)品產(chǎn)業(yè)化方面得到了很多啟發(fā)。
我原來想只做技術(shù)，對管理、財務(wù)、市場、銷售這些事情一點興趣也沒有。我當(dāng)時的口號是'要把科大的語音實驗室做成中國的貝爾實驗室'，把科大一批非常優(yōu)秀的同學(xué)都留下來了。開始只有我一個人，98年到99年留下了十幾個人，我做總工組建研發(fā)隊伍。那時科大BBS站上的六個版主在訊飛，包括黑客版版主、編程版、還有科大BBS站長。我們的創(chuàng)業(yè)團隊，真的是留下了這么一幫很優(yōu)秀、很有沖勁、有激情的人。
到了98年底感覺到，一個新的過程在被大眾接受時需要一個很長的過程，這個過程中如果你的產(chǎn)品方向確定不好就是問題。
語言是人們溝通和獲取信息最自然便捷的手段，不管是教育、交通、銀行、電信等等，都能用到語音，如果你每一塊都去做，就象狗熊掰玉米一樣，每樣都沒有著落。我們在語言學(xué)研發(fā)的進展還是比較快，參加火炬計劃國家十年展，我們做的是'天音話王'，就是人和電腦對話，在曙光2000CPU、東軟醫(yī)療上的應(yīng)用，都是非常典型的成果。感覺技術(shù)上做得是挺不錯，又拿了軟博會的金獎，但是產(chǎn)業(yè)化做的非常累，根本推不出來，到年底時連發(fā)工資的錢都沒有了。所以到1999年大家都說你一定要出來挑頭，我們給自己干，我也覺得不這么做不行了。最主要是對產(chǎn)業(yè)本身的最前端性的看法你要有，我們提倡的科大訊飛走的道路是創(chuàng)新型的文化。也就是說你要比用戶更了解這個技術(shù)下一步可能達到什么，哪些東西是有可能做到的；這些可能做到的東西中有哪些是用戶可能會接受的，是能夠打動消費者的。所以實際上是開發(fā)全新的市場，而不是在現(xiàn)有的市場上去增強。這個就是對技術(shù)趨勢的把握能力和對哪些技術(shù)能打動消費者走向市場的把握能力，這兩塊結(jié)合起來是特別重要的。而結(jié)合起來以后，你教育市場需要花費巨大的時間和精力，另外在全新的產(chǎn)品研發(fā)過程中的不斷摸索和完善，使得你不可能同時做非常多的事情，一定要有很清晰的脈絡(luò)和戰(zhàn)略。那時我就感覺到，如果由不是非常懂行的人來領(lǐng)導(dǎo)，不論此人多聰明、多有想法，都是很難的。于是，我們就成立了自己的公司--科大訊飛。
到99年底選了三家投資方，三百萬的公司就變成了估價五千萬。
有錢以后首先是把國家863支持了這么多年的語言所、聲學(xué)所這兩塊并起來，請所里我們認為跟我們最有互補、做開發(fā)最好的專家成立聯(lián)合實驗室。
這么做在當(dāng)時也非常符合他們的要求。這兩個機構(gòu)本來要自己做完整的系統(tǒng)，面向市場做銷售，很累。而且他們的研究生畢業(yè)都走了，98、99年微軟、IBM在中國設(shè)立研發(fā)中心，把這些機構(gòu)里的跟語音相關(guān)的研究室、實驗室連鍋端走，人都挖走。而我們提供了一個安全的機制，讓他們能安心地從事他們所擅長的研究，我們提供研究經(jīng)費，還可以派人協(xié)助他們從事的研究。從基礎(chǔ)上做了有效的整合，使得我們下一步的研發(fā)能夠更快。
2000年底剛?cè)谕曩Y，而我們的收入很少，壓力真的很大。股東方面是要看效益的，希望我們能做些掙錢的事，我們頂住了，覺得要做訊飛該做的事情。那正是意氣風(fēng)發(fā)的時候，我們的人也不多，在安徽本地要做一些信息化建設(shè)的項目、系統(tǒng)集成就能掙錢，但我們當(dāng)時沒做，覺得這不是一個方向。我們覺得關(guān)鍵是要有核心技術(shù)和核心產(chǎn)品的突破，我們就提出了'語音平臺戰(zhàn)略'。象Intel提供CPU，大家做各種服務(wù)器和各個領(lǐng)域的電腦一樣。我們提供語音平臺，讓各行業(yè)熟悉這些行業(yè)應(yīng)用的、有開發(fā)能力的廠商在他們的系統(tǒng)和產(chǎn)品里進行推廣。
到目前為止，股權(quán)經(jīng)過了兩次比較大的變化，一次是99年底，一次是2001年6月份聯(lián)想、Intel的進入。在這個過程中，我們始終確保了我們的創(chuàng)業(yè)團隊是第一大股東，不光在經(jīng)營上是主導(dǎo)，在開股東大會表決確定公司的方向時我們也是主導(dǎo)。2000年7月，語音平臺終于開發(fā)出來了，在Intel在上海的實驗室進行了測試和優(yōu)化，又通過了華為的測試。到2000年底，我們的合作伙伴有了50多家。"巨大中華"、Intel、聯(lián)想、上海貝爾阿爾卡特、東軟……全都進來了，大家覺得我們做的東西跟別人不一樣。2000底我們開始逐步扭虧為盈。
作者：那跟剛才提到的巨頭們合作，是否是完全把你們的語音平臺嵌入到他們的產(chǎn)品里面？
劉：對。當(dāng)時有了50個開發(fā)商，對我們的信心有很大的鼓舞。2001年6月時，開發(fā)商有了大約100個了。那時正值全球網(wǎng)絡(luò)泡沫破滅，納斯達克股市大跌的時候。這時聯(lián)想、Intel和科技部火炬來投資，還有上海第一的民營企業(yè)上海復(fù)興。在這個過程中，做為語音產(chǎn)業(yè)的領(lǐng)導(dǎo)者和拓荒者的雙重角色是我們始終堅持著的原則。
作者：在您的眼里，其他做語音的企業(yè)，比起訊飛來說是要小很多的嗎？
劉：是的。他們不論從公司規(guī)模、研發(fā)投入、市場應(yīng)用都要小很多，只是在局部領(lǐng)域跟我們有一些競爭。我也并不希望這個產(chǎn)業(yè)中只有訊飛一家，還是希望能聽到更多不同的聲音。
大家應(yīng)該在廣闊的應(yīng)用里百家爭鳴，百花齊放，形成一種良性的合作。國際上對語音行業(yè)是持續(xù)關(guān)注的，也是投入了很多精力的，但在中國市場沒有投入重兵是因為中國市場內(nèi)有訊飛這樣不易戰(zhàn)勝的對手。目前訊飛在產(chǎn)業(yè)中的地位是確定了。在前五年中，我們的團隊發(fā)展到二百人，在中國科大、中科院聲學(xué)所、社科院語言所建立了三個聯(lián)合實驗室。這個團隊可以說是歷經(jīng)了風(fēng)雨，同甘共苦，是非常好的團隊。
這幾年當(dāng)中，我們從充滿夢想變得理智而腳踏實地，在創(chuàng)業(yè)過程中得到磨煉很重要。公司成立之初，華為等IT巨頭正在大張旗鼓地招人。電子計算機領(lǐng)域的人全要，年薪起薪7－13萬，而我們留下來的人月薪是1600元。所有的人在99年都簽了三年的勞動合同和保密協(xié)議，沒有一個人提待遇提福利的。我本來在98年留下來時，是想試試看的，還保留了出國的機會。比如保送我上博士我不愿意，是自己考的，因為考上的博士隨時可以出國。后來沒有走，也有個很大原因就是因為這個團隊，因為這些兄弟。
作者：您在98年后馬上接著讀博士，但當(dāng)時還是用了很大的精力在語音研發(fā)和公司的運作上。是嗎？
劉：我讀博士時，我們第二梯隊的研發(fā)還沒有完全成長起來，當(dāng)時的關(guān)鍵技術(shù)開發(fā)還是由我來參與的。從02年底到03年開始，他們已經(jīng)能夠?qū)⒀芯砍袚?dān)起來，現(xiàn)在我主要只是把握產(chǎn)品戰(zhàn)略，討論一下研究路線，具體的就不參與了。現(xiàn)在從事產(chǎn)業(yè)經(jīng)營，時間和精力就不夠了。
作者：劉總，在語音合成的技術(shù)層面上好象有兩種不同的模式吧。是否能介紹一下？
劉：一種是參數(shù)合成，一種是波形拼接，兩種方法是曲線前進的。參數(shù)合成就是模擬人的整個發(fā)音的生理過程，從腹部出來的氣流經(jīng)過聲帶的調(diào)整變成脈動氣流，經(jīng)過聲道、牙齒和鼻變成聲音出來，這個過程可以用一個濾波器來模擬發(fā)音器官。前面肺部的氣流就可以有一個激勵源，就好象向一個管子里用鼓風(fēng)機不斷地鼓入不同的東西，管子變化出不同的形狀，聲音就出來了。語音很大的問題是，同一個字的聲音在不同的語句里，不同的字詞排列，不同的節(jié)湊、情況下，發(fā)音都不盡相同。
要讓一個機器念出人的聲音來，就好象要蓋一個大樓，首先是要有一系列的規(guī)則，在當(dāng)前的一句話里每一個字、每一個音節(jié)，它的聲調(diào)、時長、能量的參數(shù)是什么樣，就好象大樓的設(shè)計圖紙一樣；
第二，你要有蓋樓的磚頭，最好是各種初定形狀，有些適合做柱子、有些適合做邊角；
第三，你要有磚刀，把它切成你圖紙中所需要的各種形狀，最后拼起來就蓋成大樓了。我們留的那些參數(shù)就相當(dāng)于那些磚頭、原材料，經(jīng)過一種管子，變成聲音出來。使用這種方法，在參數(shù)中的協(xié)同發(fā)音比較好調(diào)節(jié)，聽起來會比較流暢，它基于這種濾波器的模式，很多參數(shù)相互之間可以變得很平滑。但是它的缺點是，由參數(shù)生成出一個個的音節(jié)然后拼成的，與原始的音節(jié)相比總歸多少會在音質(zhì)上有一些差距。它的自然度比較好，但聽來音質(zhì)上差一些，有點模糊。
波形拼接，就是從原始語音中把聲音取出來直接拼，在聲音剝離上做很小的調(diào)整，這種方法的好處是聽起來每個音都很清楚，但可能會一字一頓的，自然度比較差。這兩個方法是可以融合的。最早做語音的首先是用波形拼接，94年中科院聲學(xué)所做得非常好，到95年我們提出了參數(shù)合成，得了第一。98年我們基于波形拼接有很多獨特的方法，在國際會議又拿了最高獎，跟第二名拉出了很大的差距。99年、2000年時，國際上又出現(xiàn)了大語量庫的方法，它就是一種波形拼接，但是它用統(tǒng)計的辦法從海量數(shù)據(jù)庫里去找。
我們的語音技術(shù)現(xiàn)在做到超過一般的講話人是沒問題，可以達到接近播音員的水平。但是要讓它做得更靈活，比如說能夠自動地判斷語氣、語調(diào)的重點，判斷文章的結(jié)構(gòu)，這個就要涉及到對人類高級神經(jīng)活動的生理解剖學(xué)，這個突破不了，我們很難做到完整意義上的突破，所以語音要做到跟真人一樣，這個配套學(xué)科的突破必須要有。但在此之前，我們做到的很多東西已經(jīng)可以使它非常棒了。我們將在今年年底，最遲明年1季度推出一個新的技術(shù)，你對著我們的系統(tǒng)講幾分鐘話后，我們的系統(tǒng)可以模仿你講話，現(xiàn)在國家領(lǐng)導(dǎo)人也很重視。這個的關(guān)鍵技術(shù)我們在研究，包括摘要跟語言配套的進展，我能夠把2萬字的內(nèi)容變成200字的摘要，你先看看有沒興趣再去看全文。語音技術(shù)的突破一定依賴于語言技術(shù)，這方面我們的進展也很快。我們那三個聯(lián)合實驗室研究的是更前端性的，訊飛自己有很強的基礎(chǔ)研究中心，主要瞄準未來一、兩年中馬上將可能用到的東西，同時消化吸收這三個實驗室的東西。
作者：95、96年時，我就開始從事CTI行業(yè)，那時就感覺到語音識別好象很快就能好了，現(xiàn)在又過去了近10年，好象還是當(dāng)初那樣的感覺，沒有什么本質(zhì)的突破。您能不能再談?wù)務(wù)Z音識別方面的情況？
劉：語音識別和語音合成這兩個技術(shù)從關(guān)鍵技術(shù)的突破點上來說有很多的共通的地方。語音合成只要能念出某一個標準、令人舒服的聲音就行了；如果做對某一個特定的人的語音識別比較容易做得好，但如果強調(diào)的是非特定人的、任意詞匯的、各種噪音環(huán)境下的，這個就難了。
語音識別從應(yīng)用和技術(shù)上可以分為三種類型，一種識別就是聲控――命令控制，你說出命令，它完成操作。
第二，身份確認，在一些非高度保密場合，作為一種輔助手段，配合鑰匙的使用，現(xiàn)在也是很不錯了。
最難的是語音聽寫，你念完后屏幕上就出來了。現(xiàn)在的語音識別就象一個小孩子一樣，這個孩子學(xué)會了所有的漢字，知道讀音，那么給他一篇文章他能讀出來，但分詞斷句可能會有錯誤，但大概還是能聽得懂。但是你讓他聽寫，特別是專業(yè)文章，他就會錯得亂七八糟。多音字、新詞匯等等，漢語中存在很多問題。如果他只有耳朵和嘴巴，沒有大腦、知識，他沒法聽寫正常，這是第一個障礙。第二個障礙是語音聽寫本身的市場有問題，導(dǎo)致這些企業(yè)或者研究機構(gòu)并沒有花大力氣去投入。市場需求量不大，軟件盜版問題，開拓市場的費用，這些都使得大家對這方面的投入持保留態(tài)度。近幾年這項技術(shù)幾乎沒有什么進步，最多就是在詞典庫、在針對特定領(lǐng)域的文本的語料的收集做得好一些。我認為語音識別技術(shù)下一步重點需要突破的是在聲控識別中智能的程度，包括節(jié)外詞的處理，和一句話中關(guān)鍵詞的提取。另外一個就是面對特定場合的噪音環(huán)境，比如汽車環(huán)境，或是在一些特定領(lǐng)域的噪音處理，應(yīng)該作為語音產(chǎn)業(yè)下一步的重點。 作者：在國內(nèi)做語音的廠商好象不是很多，全國一年總體的市場份額大約是在1個多億吧？
劉：我感覺是的。
