在開始本篇文章前，我們先來考驗一下大家的耳朵。請聆聽下方兩段音頻，分辨一下哪段是真人錄音，哪段由思必馳語音合成？
音頻A
音頻B
A：語音合成 B：真人錄音
怎么樣，你選對了嗎？
1、語音合成的“前世今生”
語音合成（Text to Speech，TTS）又稱文本語音轉(zhuǎn)換技術(shù)，顧名思義，是把文本信息轉(zhuǎn)化成語音信息。人的語音，本質(zhì)上是發(fā)音器官震動，產(chǎn)生聲波傳出。
人類發(fā)音示意圖
模仿人聲，最古老的方法是使用樂器。到19世紀，就可以用機械方法產(chǎn)生語音了。那時，科學家們會制作出一些精巧的氣囊和風箱去搭建發(fā)聲系統(tǒng)，合成出一些元音和單音。
進入電子時代的1939年，貝爾實驗室H·杜德利制作出第一臺電子合成器，這是用共振峰原理制作的語音合成器，該技術(shù)使用固定頻率，以電子復制我們改變口型時所發(fā)出的元音聲，也這正是英國劍橋大學著名物理學家斯蒂芬·霍金教授所使用的聲音合成器。
上世紀90年代，隨著計算和存儲能力大幅度提升，基于大語料庫的單元挑選與波形拼接合成方法出現(xiàn)，可以合成出高質(zhì)量的自然人語音。
語音合成技術(shù)演變
進入21世紀，隨著深度學習技術(shù)的興起和快速發(fā)展，以語音合成為代表的語音處理技術(shù)得到了極大的飛躍。神經(jīng)網(wǎng)絡語音合成在近幾年來取得了顯著突破，合成音的音質(zhì)和自然度越來越高，運行速度也越來越快。思必馳目前所使用的，也正是這種方法。
2、思必馳TTS，魅力何在？
早在2007年于英國劍橋大學創(chuàng)立時，思必馳關(guān)于語音合成技術(shù)研究就已開啟，該項工作由思必馳聯(lián)合創(chuàng)始人兼首席科學家、上海交通大學教授俞凱領(lǐng)頭。
語音合成系統(tǒng)主要分為文本處理、聲學模型、聲碼器三個部分。文本處理負責對文本進行轉(zhuǎn)寫和phoneme序列轉(zhuǎn)換；聲學模型使用深度神經(jīng)網(wǎng)絡，可以在文本特征與聲學特征之間學習到更復雜的非線性關(guān)系；聲碼器負責將聲學模型輸出的聲學特征，通過卷積運算，轉(zhuǎn)換成音頻。
經(jīng)過10多年的研究積累，思必馳在建模方法上，涵蓋了從傳統(tǒng)的統(tǒng)計參數(shù)模型到最新的基于神經(jīng)網(wǎng)絡的方法；對聲碼器的研究，涵蓋了從傳統(tǒng)的基于信號處理的方法到最新的基于神經(jīng)網(wǎng)絡的方法。
語音合成的質(zhì)量與效果，既有賴于語音廠商的算法模型，還取決于音頻語料的質(zhì)量，即數(shù)據(jù)質(zhì)量。思必馳有著豐富的聲優(yōu)資源以及聲優(yōu)挑選的經(jīng)驗，在蘇州建設有專業(yè)錄音棚并與國內(nèi)多個城市的錄音棚有著長久合作關(guān)系。與此同時，思必馳數(shù)據(jù)團隊也對數(shù)據(jù)標注有著嚴格的質(zhì)量把控。
位于思必馳蘇州總部的專業(yè)錄音棚
經(jīng)過多年的技術(shù)積累，思必馳已逐步形成了一套成熟的技術(shù)方案，業(yè)務涵蓋了大數(shù)據(jù)語音定制、小數(shù)據(jù)快速定制、聲音克隆、歌聲合成、小語種合成、方言合成、情感合成等，可選公有云、私有云以及離線三種部署方式，經(jīng)典音色可在思必馳官網(wǎng)實時體驗。
2017年、2020年，思必馳還先后參與國家標準《中文語音合成互聯(lián)網(wǎng)服務接口規(guī)范》與行業(yè)標準《中文語音合成服務系統(tǒng)評估規(guī)范》的制定，并成為全國首批通過評估測評的公司之一，獲得“TTS-4S（Standard Similarity Scene System）服務證書”。該測評從合成質(zhì)量、定制能力、場景表現(xiàn)力和系統(tǒng)安全可靠等維度，全面評估合成水平和服務能力。
2019年11月，思必馳首批通過“中文語音合成水平測試”
3、未來世界，百“聲”爭鳴
為能快速提供語音合成定制服務，思必馳全程提供音色選擇、錄音指導、音頻處理、模型訓練、服務部署等專業(yè)服務，賦予產(chǎn)品開口講話的能力。
截至目前，思必馳語音合成已建設的音色庫內(nèi)包含音色接近200個，涵蓋多種角色、多種風格，以及各個年齡層次。
一禪小和尚
精品女聲
精品男聲
思必馳語音合成服務，也已在車載、白電、機器人、智能客服等諸多領(lǐng)域成功落地，為眾多終端產(chǎn)品賦予聲的魅力，使得萬物皆可溝通，并逐漸走入人們的工作與生活。
當你在家里“躺平”，來自如影智能的語音管家“Edison”，用他溫暖、紳士的聲音（文章開頭的音頻A），為你帶來踏實與慰藉；當你在愛車中馳騁，車蘿卜的語音助理“蘿卜”清脆、簡明的聲音，如同車水馬龍路途中的一股清流；當你接起順豐95338服務熱線的外呼電話，智能客服“豐小蜜”親切又不失嚴謹?shù)穆曇簦浜细咝У墓ぷ髂芰Γ瑤Ыo你最省心省力的服務體驗……
鏡頭切換到泛娛樂領(lǐng)域，思必馳團隊打造的“小馳機器人”在央視《機智過人》中，現(xiàn)場用撒貝寧的聲音生成了一曲《好久不見》。在《經(jīng)典詠流傳》中，思必馳攜手欄目組共同推出“讀詩成曲”線上互動小工具，提供實時讀詩成曲的能力。用戶僅需讀幾句簡單的詩詞，便可快速生成有腔有韻的歌聲，互動總量超過821萬人次。
思必馳聯(lián)合創(chuàng)始人兼首席科學家俞凱參與節(jié)目錄制
在個性化定制上，思必馳不僅可以提供普通話定制、歌聲定制，還可以通過遷移學習方法，提供更高難度的方言、小語種TTS定制，如粵語、上海語、四川話、山東話、東北話、德語、法語等。
方言合成：山東話
方言合成：四川話
而思必馳的情感合成技術(shù)，則賦予美妙音色豐沛的情緒，讓聲音更具表現(xiàn)力與感染力。
情感合成：開心
此外，思必馳聲音復刻技術(shù)也已在斑馬智能、愛馳汽車、嵐圖汽車、仙豆智能等車聯(lián)網(wǎng)客戶以及IoT領(lǐng)域落地，僅需錄音20句話約400漢字，10分鐘之內(nèi)便可以完成模型生產(chǎn)，MOS合成音/錄音達到90%，相似度合成音/錄音達到80%。
聲音復刻：真人錄音
聲音復刻：合成音
人類的聲音，是人類語言的物質(zhì)外殼，卻承載著重要的信息和真摯的情感，擁有著無窮的魅力。人工智能突飛猛進地發(fā)展正不斷催化人機交互方式的巨變，“萬物可溝通、萬事可打理”的語音互聯(lián)未來世界，正加速到來……
