雷剛 發自 凹非寺
量子位 報導 | 公眾號 QbitAI
5月25日，成都，“高曉松”聲音響徹會場，歡迎聽眾參會：
大家好，歡迎來到極客公園2019年現場和大家一起分享人和機器的共創未來。
但實際站在舞台中央的人，卻是王小川。
王小川，搜狗CEO，成都七中知名校友，中國互聯網進程裡最知名的川娃子，中學時代就打響了IT天才名氣，後來又在歷史際會創造出一方天地。
現在，因一場活動，王小川帶著一項全球領先的技術再次回到成都，沒錯，就是那一聲“高曉松”的歡迎。
因為它在秒秒鐘經過手機App前，還是王小川的原聲。
搜狗“變聲”，顛覆性進展
通過計算機合成某一個人的“聲音”，自然在AI江湖裡算不上什麽。
但如果真正實現“千人千聲”也能瞬間“遷移”，並且在小小手機上實現，那確實得豎大拇指。
因為全球AI第一大廠，Google，也還沒做到。
就在一年一度亮肌肉的Google I/O上，也有“變聲”方面的進展演示，但體現的是一種語料輸入到另一種語料輸出的“平行遷移”。
更AI的方式來說，one to one，從指定A到指定B.
但像王小川展示，無論說話者是誰，無論說什麽，不用考慮說話人的特點（如王小川的“川普”），最後能夠將“任意說話人”音色實時高逼真度變換到“指定說話人”音色，則是 Any to one.
該過程中，不光是輸入輸出兩端的映射關係變化，更是技術實現難度上指數級提升。
因為核心問題在於，每一個人的音調、音色和語言節奏都不盡相同，正如同世上沒有兩片相同的樹葉一樣，世上也沒有兩個完全相同的說話人。
如何將“千人千聲”通過技術處理，變為同一種指定聲音，同時還不丟失原說話人的語言習慣？
離不開展現真正技術的語音表征學習和遷移學習的突破，簡要來說三步：
首先，使用表征學習技術學習到源端說話人語音的音色、內容和韻律(講話節奏、情感語氣等信息)三大特徵。
其次，將學習到的源端說話人音色特徵替換成目標說話人。
最後，基於新的語音變聲技術，使用內容(源端)、韻律(源端)、音色(目標端)三類特徵，合成最終生成變聲音頻。
所以大會現場，王小川的“說”到高曉松的“聲”，實際經歷了這樣的過程。
然而，這樣一短句，實現背後也有數千層深度學習網絡的努力。
如表征學習使用，上圖所示，A部分對目標音色語料進行聲紋特徵編碼，提取說話人的音色embedding。
B和C分別從輸入音頻中學習內容和韻律embedding，通過“說話人歸一化”模塊對內容embedding進行統一規整，去除音色信息，通過對音頻特徵的壓縮編碼及特徵抽取，學習表征韻律的風格特徵。
而語音變聲，基於表征學習得到的特徵，通過Attention和Decoder模塊進行加權特徵編碼，並利用WaveRNN神經網絡聲碼器恢復成波形，最終得到帶有目標音色的音頻。
當然，最具現實意義也最具技術挑戰的還是落地。
這也是搜狗突破稱得上顛覆性的原因——這是全球首次將如此難度的變聲能力落實到消費級產品中。
並且還不是自家用軟體專門定義打造的終端硬體，而是融會貫通到小小“搜狗輸入法”App中。
通過App，無論安卓還是iOS，無論什麽品牌、何種價位的手機，都能實現“變聲”，實時遷移成“表情語音包”。
未來應用自然不止於此。
語音屆的“換臉”術
之前，Deepfakes帶動的“換臉”已經實現了風靡，嗶哩嗶哩就出現了不少楊冪主演的《射雕英雄傳》，惟妙惟肖，真假難辨。
但相比換臉的道德問題和法律危機，“變聲”卻能立竿見影創造價值。
凡有音頻處，皆能讓AI變聲發揮效用。
比如在線教育、景點導遊、電商廣告等等場景的音頻製作。
一個有口音的老師，一個國語不標準的地方導遊，以及各種流量奶生。
特別是實力待豐的流量偶像們，雇傭一個熟練掌握“換臉”和“變聲”技術的AI團隊，就完全能靠臉吃飯，人在家中坐，錢源源不斷來。
總之，只要有音頻的需求，變聲就能降低成本、提高效率。
王小川還想借此應用表明，我們正在身處一個怎樣的技術時代。
跟技術結合，人類才能更強大。不要狂妄心懷碾壓排斥，而是接受技術的變革和改造，成為新人類，真正人與機器協同，變得更強大，創造更迷人的未來。
搜狗CEO毫無疑問想推動這樣的未來。
AlphaGo洗禮，搜狗進化
在活動上，王小川也再次從AlphaGo講起。
他認為這是這個時代的文藝複興、啟蒙運動，讓我們開始換另外的世界觀看待技術和未來。
對於他自己，這種進化更是顯著。
在AlphaGo期間，他就是“機器必勝”的篤定支持者。而AlphaGo獲勝後，搜狗CEO更是直接為此開辟了一天“狗勝節”的帶薪假。
很多人都說搜狗會借勢，但少有人了解王小川的遺憾。
因為在AlphaGo宣布挑戰李世石之時，王小川就感歎過，搜狗內部其實也認真討論過深度學習下圍棋的可能性和可行性。
但後來不少工程師認為需要太多資源、小公司更該務實……最終沒有真正展開，直到AlphaGo在Nature上的論文發表，才慨歎思路和技術所見略同。
這讓搜狗CEO學到一課：光有務實主義不夠，工程師也得展現出敢想敢上的“浪漫主義”那一面。
所以“狗勝節”與其說是慶祝，不如說警醒。
這也是搜狗蛻變和進化的開始。
之前搜狗是產品力突出的形象，從瀏覽器、搜索到輸入法，江湖享有名氣，特別是輸入法，在國內堪稱“國民應用”。
但現在，搜狗的旗幟也越來越多出現在全球AI的“華山論劍”中。
全球CoQA機器閱讀理解大賽奪冠；
世界MegaFace百萬級人臉識別競賽中奪冠；
WMT2017機器翻譯頂級評測大賽中英和英中第一；
國際頂級口語機器翻譯大賽IWSLT決賽第一；
《基於模態注意力的端到端音視覺語音識別》中標國際頂級學術會議ICASSP；
……
此外，還有人工智能應用領域的引領性創新。
比如全球首個AI合成主播上崗新華社、CCTV，以及剛剛取得突破的“千人千聲”變聲落地輸入法。
還需要提及的是，這只不過王小川和搜狗將自己的技術底色更鮮明地亮出來而已。
對於技術、AI的投入，更早之前就能從兩件公益大於其他的“投資”事件中窺見一斑。
清華學子的年度AI“華山論劍”——智能體大賽，創辦21年的搜狗連續讚助15年，至今都是王小川必會參加的活動。
另一件也跟清華有關。2016年，搜狗向清華捐資1.8億元用於成立“清華大學天工智能計算研究院”，集中研究AI等前沿領域技術。
值得一提的是，最近發表於全球頂會的端到端音視覺語音識別論文，正是搜狗和清華天工研究院的聯手之作。
中國AI創新縮影
最後，也是時候借搜狗重新認知中國AI的發展現狀和未來了。
談論中國AI的時候，恐怕你依然會有這樣的印象：中國應用有優勢，但基礎研究方面差距太大。
但從搜狗“變聲”突破和應用來看，一種越來越明顯的趨勢正在展現。
圖靈獎唯一華人得主、清華姚班創始人姚期智教授更是有準確概況，在接受《人民日報》採訪時，姚院士這樣說：
中國的人工智能在應用上絕對是傑出的，相對來講對於算法基礎研究沒有那麽強，但是對於這個問題從長期的觀點來看，我還是相當樂觀的。
姚期智教授認為，AI正在變得熱門，受到越來越多重視，也有越來越人才投身其中，基礎算法和理論研究也都被更集中攻堅。
我覺得我們現在沒那麽強，但是以後的幾年我們能夠追上。
所以結合王小川和搜狗的種種努力及其結果，姚期智教授之言，並非單純樂觀而已。
雖要戒驕戒躁，但也沒必要妄自菲薄。
如今局勢，我們希望更多創新誕生，既要有信心、也要給耐心，同時也要給予更多關注，不吝給每一次突破獻上掌聲。
—完—
AI內參|關注行業發展
AI社群|與優秀的人交流
喜歡就點「好看」吧 !
香港九龍灣馬來街興發大廈15樓D室