百度、滴滴出来的语音大牛，开创AI语音超市，聚焦细分场景应用

因为真相永远就只有一个！ 当磁性、低沉浑厚的声音在人群散开，显得稳重又成熟，像是重力的吸引，将人们的注意力深深抓住，谁也没想到这样的声音竟是一个几岁的小柯南利用变声器发出的。说到变声器，不少人第一反应会想到《名侦探柯南》中柯南使用的领带变声器，但在之前现实中的变声器十分少，有些只能模仿几种特定的模板，商业用途也很局限。

随着AI技术的迅猛发展，更丰富多样、逼真的语音合成技术不断涌现，更厉害的是，还能在声音中加入人类感情元素，更广泛地应用在各种生活场景中，令原来难以置信的想象都成为了现实 。

技术实力派——突破传统语音合成两大瓶颈

当你打开智能音响或是手机语音助手时，一句您好，请问您需要什么服务？从音响蹦出，虽然清晰洪亮，但听起来机械感十足，缺少人声该有的特质——在不同场景下的不一样的语音和语调。

其实，这就是传统语音合成技术的缺陷。

通常，传统语音合成的技术有拼接法和参数法两种方式。波形拼接在语料库中抽取合适的拼接单元，拼接成为句子。参数语音合成则需要对音库进行参数化建模，根据训练得到的模型预测出韵律参数和声学参数。

在时间成本上，参数的合成方式需要进行十个小时左右的录音采集，而波形拼接的语音合成方式则需要几十个小时以上的录音采集， 才能完成一套定制化语音包的制作，周期长，耗费精力大。两种方式，在合成效果上，也难以接近真人的发音，音调韵脚都缺乏表现力。

对于攻克语音合成不逼真和缺乏表现力这两大难题，标贝科技联合创始人CTO李秀林认为，随着深度学习技术的持续发展，解决语音合成的突破口已经越来越近，对此他充满信心。

我们从李秀林的履历，得知他在语音合成行业已深耕10余年，可谓是深谙此道。

李秀林从中国科学院博士毕业后，先后在松下、百度、滴滴任职，从事10余年语音相关技术研发和相关的学术研究，申请了包括文本处理，韵律预测，声学模型，拼接系统，模型自适应，神经网络应用，情感合成等三十余项语音技术相关专利。

在百度工作期间，李秀林博士带领团队针对小说内容丰富，感情起伏大，需要更强的情感表达的特点，利用基于篇章的、情感更丰富的、更大规模的语音数据（数百小时），通过高精度自动预处理技术对数据进行处理和建模，实现了具有情感表达能力的高质量合成系统，并于2015年10月底上线百度的小说频道，取得了非常好的用户反馈。

这一突破性研发成果引起了百度CEO李彦宏及多位高管的注意，他们为此大力赞扬并推广语音合成技术。2016年，这一项目折桂百度的最高奖项。百度最高奖是迄今为止国内互联网企业中给予普通员工的最高奖励。

从百度出来后，2016年至2018年，李秀林担任滴滴研究院语音团队负责人兼首席算法工程师。到了2018年，标贝科技向他抛来了橄榄枝。今年3月，李秀林决定加入标贝科技，出任联合创始人兼CTO。

谈其为什么加入标贝科技时，李秀林表示，标贝科技拥有专业标注团队和大量自有数据，其数据加工能力已达到业内领先水平，从中他看到了在创业公司做语音合成技术的优势和机遇。而自己在语音合成行业深厚的技术积累和经验，也可为标贝科技的发展加持砝码。两者相辅相成，相得益彰。

近千小时的语音数据积淀，领跑同行

标贝科技认为，要想让机器的声音更贴近人类，需要从音库质量入手，录制足够多的精准声音数据，从源头把控数据质量。

今年年初，标贝科技推出了TTS评测系统，并针对语音合成系统提供了一整套TTS前端解决方案。根据标贝科技相关负责人介绍，评测系统主要分为两大模块：合成缺陷度评测和合成自然度评测。在合成缺陷度方面，主要体现为韵律、多音字、数字符号及分词词性四个模块，而在合成自然度评测则包括ABX和MOS评测。这一系列的测评，保障了数据处理的精准度，成为语音数据质量的护城河。

除此之外，为了采集合适的人声作为语料，标贝科技的数据专家需要和发声人做大量的前期沟通，指导发声人的说话风格、语调和停顿方式等，并在录音环境进行监听，确保发音人的风格一致。

传统的语音语料数据处理需要人工进行标注，标贝科技则利用深度学习技术，通过计算机程序进行预处理，之后再由人工进行校正，极大缩短了处理时间。

在定制型音库方面，标贝科技已成功为用户提供了150小时的中文女声情感音库、350小时的中文女声音库、100小时的男声音库、80小时粤语语音库、50小时美语女声语音库、40小时的ToBI语音库、40小时模仿儿童语音库、30小时儿童语音库、20小时葡萄牙语音库、20小时台湾普通话语音库、10小时日语、10小时韩语以及20小时明星语音库等，音库还在不断丰富和积累中。

同时标贝科技还提供自有音库，中文男女声，美语男女声，儿童，粤语，台普、日语、韩语等及个性化音库，广大客户现已能直接使用整体解决方案。

在李秀林加入前，标贝专注于数据服务，凭借在数据加工处理方面的优势，致力于为客户提供快速、准确的专业数据服务，帮助客户盘活各类大数据资源，充分挖掘海量数据中有价值的信息。而现在，李秀林希望和标贝一道完成一次转型——从数据公司转为技术公司，为企业用户提供更垂直的合成服务。

首创声音超市，为产品发力，赋予前沿发展新形态

眼下，在AI领域，声音合成因其多元化的需求正成为不可忽视的红利，科技巨头、初创公司纷纷从不同维度布局语音入口相关产业链。

在B端，苹果，谷歌，微软，百度等行业纷纷开始研发的智能语音技术。在C端，个人虚拟助手和智能音响等智能家居方面，竞争也很激烈。

作为曾经的专业数据公司，标贝科技牵手具有深厚AI语音合成技术背景的李秀林，两者结合往往承载着转型升级的艰巨任务。那么，李秀林究竟具体要做什么呢？

打造一家AI语音超市，精准对焦各种场景应用李秀林回答。

AI语音超市，其实就是跟生活中的超市一样，有需求的企业可以根据自己不同的需要，专门选购和定制自己的语音合成。

李秀林对介绍，目前标贝在技术层面有一个3层模型，底层是标贝科技积累的大量语音数据，中间层是自身在语音合成领域多年来的经验和技术，第三层是标贝的产品和服务。在底层和中间层的双倍基础下，开发第三层的合成语音超市，既提高产品和服务，又符合了当下的市场多元化需求。

现阶段，标贝科技已能提供上百种人声模型。最有趣的是，还能选用明星偶像的声音进行合成，比如杨幂鹿晗胡歌等等当下炙手可热的明星声音方案。随着技术的不断沉淀，声音的种类和数量会与日俱增，应用更多的场景。

对于所有的企业和用户来说，这么强大的流量红利，能应用在哪些场景？这是他们最关心的命题。

比如，可以作为私人助手，用于听读书籍，解放双手和双眼，或是个人辅助设备，为有视觉障碍的人士指导出行和生活。

在儿童玩具方面，亲切、幽默的声音会更贴合儿童特性，让孩子接受线上教育时，再也不是对着一个音色机械、生硬的机器。另外，还可以服务于电影动画或者游戏工作室，为游戏中各类NPC定制专属语音。知性、邻家、唯美、搞怪等不同的语音风格可以满足生活出行、娱乐场景、儿童玩具等多种应用场景。

专业化定制为标贝赢得了大量的客户群体。据悉，标贝的客户覆盖了百度、腾讯、滴滴、搜狗、Rokid、暴风集团、出门问问、Roobo、喜马拉雅FM、猎豹移动等众多客户，其中包括很多上市公司、行业巨头。

客户的青睐，与标贝科技的三大优势是密不可分的：一是个性化语音定制，针对产品的特点，可提供各性别和年龄段的语言定制，如：中文普通话、粤语、台语、国内方言、韩语、日语; 二是保持语音合成技术业界领先，合成效果接近真人发声，流畅自然，且极具表现力； 三是免费的合成效果评测，通过自主研发的TTS行业评测系统，为企业客户提供快速、准确的语音合成效果评测服务。这三大优势，为标贝科技在业内获得了良好的口碑。

如今，不可否认的是，标贝科技有了李秀林的技术背书，为其标注了更高天花板的方向。接下来，标贝科技如何攻城扎寨，李秀林表示，会不断地用强大的数据库来验证技术想法，提升合成效果，让更多的语音合成场景落地。

也许，有一天，你突然发现手机播报时发出的声音和你的声音一模一样，甚至是音调都如出一辙，并听不出任何的破绽，你会十分惊叹。这就是语音合成的神奇之处。