友情提示：本文共有 2954 个字，阅读大概需要 6 分钟。
说出来你可能不信，你根本不了解什么是 智 能 语 音。
大部分人的理解中，智能语音就是“语音识别”——
你对着Siri讲一段话，Siri把你不标准的普通话变成文字，并对你无理取闹的问题作出解答；或者你用微信说一段话，转换成文字，发给讨厌的甲方爸爸——这就是你对智能语音的全部理解。
智能语音，不光是识别语音，也能把语音转化成文字后，再转换成语音，而且在说话人相似度、表现力、发音准确率、语音质量上保持高度相似和逼真。这就是TTS。
简单的说，就是把孙悟空声音录进去，然后机器阅读一段文字，用孙悟空的音色、语气再说出来。
文语转换（TTS）又称为语音合成，旨在将文本转换成自然语音的一类技术，是智能语音领域的前沿技术，在语音助手、信息播报、有声读物等方面具有重要的应用价值。
在2021年声学、语音和信号处理国际会议(ICASSP2021)的信号处理挑战旗舰任务——多说话人多风格音色克隆大赛(M2VoC)上，来自猿辅导人工智能实验室的研究团队获得子赛道第一名。
▲就是这五位靓仔组成的队伍
这表明，我国在智能语音的部分关键核心技术和应用上取得重要进展。
智能语音是人工智能技术的重要组成部分, 在经济社会中可以运用于配音合成、智能出题、智能客服诸多应用场景。此次在语音合成技术方面取得实质进展，未来能够被进一步应用到教育、医疗等行业和领域中，大大提高行业效率。
杨明祺和马楠是猿辅导AI 研究院语音实验室语音合成小组的研发人员，他们只凭借极少量的数据，把指定的文本，用特定的“音色”说了出来。提起参赛经历，二人都说好成绩来源于平时工作的积累。他们认为，语音合成(TTS)包括一些相关技术，在教育领域会有比较重要的应用，科技将给教育带来全新的改变。而这种改变，将成为杨明祺和马楠乃至整个猿辅导AI 研究院继续探索的动力。
━━━━━
语音合成中浓浓的教育情怀
作为国际语音领域为数不多的顶级会议， M2VoC挑战赛旨在提供一个通用的数据集以及一个公平的测试平台，对语音克隆任务进行研究。杨明祺和马楠斩获第一名的是极少样本赛道中的子赛道B，他们在小样本条件下实现了效果更佳的语音合成。
“语音合成就是我们输一个文本进去，然后它产生一个语音。” 杨明祺介绍说，主办方会对收集到的语音合成系统进行评估，系统转化的语音与样本相似度越高，发音越准确，获得的得分就越高。“在20个队伍里，拿到(极少样本开集)子赛道第一名，我们有点意外。技术领域的大牛很多，我们也会继续努力。”
一边是跟最前沿的科技打交道，一边是杨明祺和马楠都对教育有着浓厚的情结。马楠的父亲是教师，亲戚中也有不少教师，马楠从小在教师家庭长大，见证了教书育人的全过程，他比任何人都懂得老师的辛苦与付出，“我的一位研究生同学在猿辅导成立早期加入了公司，他联系我说，猿辅导的团队氛围好，工程师文化浓郁，想要打造一支研发队伍把最前沿的科技应用到教育领域，建议我试试看。” 马楠说， “能加入猿辅导的研发团队，能通过自己的努力让教育更加高效，我感觉自己很幸运。”
在马楠看来，语音技术的创新可以让老师们“轻松”一点。语音技术在教育领域的深度应用，能够帮助教师借助AI完成简单的语音读题、英文听力出题等辅助工作，将进一步释放老师的备课压力，让老师可以把更多精力投入到教学研究中去。而口语评测技术，可以实现机器对学生在语言学习中的发音做打分和反馈，帮助学生实现随时随地练习。
除此，海外研究表明，文语转换对阅读困难儿童教育干预有积极作用。不仅可以帮助他们实现“视听结合”的阅读，也可增进他们的阅读动机，帮助学习不良的学生变成更加独立阅读者。
━━━━━
参赛作品出自日常研发内容
在猿辅导公司的产品线里，小猿口算和猿辅导网课等都有一些环节里需要用到音频读题，语音合成小组的工作就是研发把题目的文本转化成读题音频的方法。有时候，还需要根据老师的需求，控制合成句子的发音、语调、语速，可以说，杨明祺和马楠所在团队的日常积累，为参赛获奖奠定了良好的基础。
在英语听力练习中，对一些发音有非常严苛的要求。“找国外专业的语音公司去录制，至少需要一周时间制作，如果我们提出修改意见，再次返回录制好的语音又需要一周时间。”杨明祺说，““现在，一句10秒长度的句子，不到1秒就可以完成语音转化，就算有修改也能及时合成新的语音，对教学效率带来了巨大提升。”杨明祺说。
辅导老师平时有许多出题工作，帮助学生巩固知识。他们会向研发团队提出通过技术提升效率的需求，研发团队则会想办法结合最先进的技术来满足和实现。“这次比赛，能取得比较好的成绩，一个关键原因是我们在语音合成中加入了韵律信息，它让语音合成的效果更加自然。”马楠表示。
据了解，语音合成技术是人机对话的一部分，让机器会说话。这项技术能对文本文件进行实时转换，转换时间可以秒计算。同时，输出的语音音律也会更加流畅，毫无机器语音输出的冷漠与生涩感。
猿辅导的语音合成小组目前共6人，平均年龄28岁。杨明祺和马楠大概用了一周的时间去准备比赛方案。二人比赛用的方案，来自平时工作中的一些模块，而这些模块基本上是由所有小组成员共同完成的。杨明祺和马楠总说：“我们的好成绩是大家一起努力的结果。”
━━━━━
驱动科技给教育带来全新变革
2014年，猿辅导在线教育成立行业首家AI研究院，致力于引领全球尖端科技在教育场景应用的研发和探索。猿辅导AI研究院主体由语音实验室、视觉实验室、自然语言理解实验室、音视频实验室和基础支撑五个实验室组成，成员规模接近百人，均来自清华、北大、中科院、微软等知名学府和顶尖机构。猿辅导AI研究院以“研发重投入，聚焦最前沿”为方针，驱动科技给教育带来全新变革。
2018年，猿辅导AI研究院的MARS数据模型获“MS MARCO机器阅读理解水平测试”第一名，微软官方称“在阅读理解能力上首次超越人类平均水平”。研究院《基于人工智能的少儿教育发展研究》课题于2020年3月正式入选教育部国家级重点课题，猿辅导成为首家入选国家级重点课题研究的在线教育企业。
不仅如此，猿辅导还让大数据赋能精准教育。目前，猿辅导拥有300多亿次的学生学习行为数据，这些数据有助于反哺网课教学环节，聚焦学生薄弱环节，实现因材施教。同时，利用海量数据持续迭代优化算法，对图像、声音、文字等复杂信息对象进行精确的识别和分析，已经应用到拍照搜题、口算检测、作文智能批改、背诵检测、口语评测、学习路径规划等产品功能中，使学习更加高效。
“如果眼光放长远一些，随着人工智能和其他前沿技术的进步，技术可能会给教育带来更多积极的影响，使教和学的体验更好，效率更高。”马楠举了几个例子，比如，语音、语言和视觉技术进步后，可以结合视觉和语音技术指导语言学习，或者启发式地指导学生解题;再比如，通过智能化的教学内容生成，把知识自动或半自动地生成儿歌、动画等易于接受的形式，将大大提高学习的趣味性;亦或是，通过虚拟现实、增强现实技术，让教学更有沉浸感、参与感。到那时，学习关于长城的课文，长城的景象可以虚拟化的、沉浸式地出现在学生面前;上物理课时，也可以虚拟化地完成一些复杂的实验。
杨明祺和马楠坚信，科技在教育领域有更为广泛的应用，这将全方位提升孩子的学习能力和学习兴趣，切实帮助老师和家长减轻负担。
值班编辑 吾彦祖
本文如果对你有帮助，请点赞收藏《今年国际语音合成大赛第一名 来自这个团队》，同时在此感谢原作者。
