王源也推薦！“讀詩成曲”遊戲火了，思必馳揭秘背後技術

安妮 發自 凹非寺

量子位 出品 | 公眾號 QbitAI

學唱一首歌要多久？1小時，5小時還是一天？

如果你關注了昨晚（1月28日）央視八點檔的《經典詠流傳》就會發現，學會一首歌的時間，30秒足夠了。

輸入詩詞朗讀，輸出自己嗓音的歌曲，這個“讀詩成曲”的H5遊戲火了。

據統計，節目播出後的90分鐘內，超過14萬人次參與合成自己的歌，H5轉發量超過10萬。連王源小哥哥也在線推薦：

王源在節目現場演唱《長歌行》並邀請你一起來讀詩成曲

甚至還登上了實時熱搜榜：

用你的聲音合成歌曲，這次又是AI立功了。

決戰30秒

掃碼進入H5界面，量子位開啟了“讀詩成曲”遊戲玩法探索模式。

在你開口讀詩前，首先需要戳選你的音色，選擇你的聲音為男聲、女聲還是童聲。隨後，頁面跳轉到一個經典詩詞曲庫，請開始pick你喜歡的歌曲。

“決定性30秒”來了，此時，對著話筒大聲朗讀所選曲目的歌詞（也是詩詞），上傳後稍等片刻，你朗讀的詩詞就被自動轉換成了由宮商角徵羽組成的旋律。

確定過眼神，是自己的嗓音。

而且用這個小工具合成的歌聲不僅聽起來像自己的聲音，而且高音部分還不、會、破、音，完美避開了“一破毀所有”的尷尬境地。

韻律合拍，又在傳統春節的氣氛中，可以無壓力分享到票圈了。

技術揭秘

一段平平無奇的語音經AI之手，是怎樣變成了婉轉流利的歌曲的？

“讀詩成曲”應用背後技術提供方其實是語音技術起家的思必馳。

思必馳副總裁兼北京研發院院長初敏解釋，“讀詩成曲”背後，主要應用了思必馳語音技術，尤其是個性化歌聲合成技術。

從一段文字到個性化，從技術角度來講分為2大處理階段，即語音識別與語音合成，後者又分為兩步。

具體來看：

第一步，語音識別。用戶按照螢幕提示朗讀詩詞，系統會先判定讀音是否正確，通過後進行如語音合成階段成曲。

第二步，聲學模型加持，調整頻譜參數。也就是說，通過第一步收集的你的聲音數據訓練模型，個性化學習後，讓生成歌曲的音色像你本人。

第三步，韻律模型調節韻律參數，控制每個音的聲音長短及高低，旋律就此確定。

隨後，將韻律參數和頻譜參數結合，生成歌聲。一段音色屬你，旋律似原唱且歌詞為經典詩詞的片段已合成。

整個流程下來，在網速保證的情況下1~2秒就能合成成功。初敏表示，至少支持10萬人同時點擊使用時秒出結果。

AI可以很好玩

把理解中國古詩詞這種教育行為與合成歌聲這種娛樂行為結合，也算的上是AI與泛娛樂領域結合的一次嘗試。

初敏表示，讀詩成曲項目雖然最初的動力來自央視，想要傳承經典古詩詞。但將AI與泛科技結合卻是自己一直想做的。意義不僅在於好玩，也在於學習與教育。

思必馳副總裁、北京研發院院長初敏

比如，在讀詩成曲中錄音時，讀錯一個字語音識別系統就會提示錄入錯誤建議重讀，重新朗讀至全部字詞正確才可以進行合成。

這不是思必馳第一次在歌聲和成領域的嘗試，此前在《機智過人》節目中，思必馳打造的“小馳機器人”用撒貝寧的聲音生成了一曲《好久不見》，還獲得了撒貝寧的官方認可。

小撒表示，該歌聲的“聲音的相似度基本在90%以上”。

和《機智過人》中的離線技術不同，讀詩成曲的難度大大提升，由一個非線上、不能互動的離線功能轉變成一個近實時的互動遊戲，時間要求高了，且未知性變大了。

挑戰也隨之而來。

變成互動性遊戲後，錄音效果無法預測，使用時不同的方言口音、手機機型、錄音環境的嘈雜度是未可知的。初敏表示，針對極端場景已經進行了不少測試，但技術永遠不能保證百分百。

初敏認為，科技公司有兩個出口，一是嚴肅向、實用風的老路，第二就是走好玩的娛樂向，讀詩成曲的項目就是。

娛樂向看似實用性不如前者，但每個人有機會可以去感受體驗，且可以具有教育意義，所謂“寓教於樂”是也。

作為一家To B的企業，思必馳認為AI可以不用那麽嚴肅，也不用那麽高高在上，因為無論To B還是To C，最終面向的都是用戶。

思必馳CMO龍夢竹表示，“讀詩成曲”的這種大眾參與方式還談不上科普教育，但如果能讓大眾覺得“AI挺有趣”，也是一件很酷的事情。

—完—