Michael Picheny，IBM 實(shí)驗(yàn)室資深經(jīng)理。圖片來自《紐約時報》

　　現(xiàn)在電腦語音都是用機(jī)器合成的(除了部分天氣預(yù)報和導(dǎo)航提示是完全人工錄制)，合成最終語音的真人語音數(shù)據(jù)庫通常非常龐大，數(shù)據(jù)庫里有某個單詞的真人發(fā)音，以及這個單詞不同語調(diào)的發(fā)音，甚至這個單詞的部分發(fā)音。一位配音者通常需要花至少10個小時才能完成一個語音數(shù)據(jù)庫的錄入。

　　盡管語音數(shù)據(jù)庫已經(jīng)非常龐大，但是在合成語音的時候，仍然無法做到接近真人發(fā)聲。其中最大的難點(diǎn)是讓合成音帶有人類的感情。卡內(nèi)基梅隆大學(xué)語言技術(shù)研究院的計(jì)算機(jī)科學(xué)家 Alan Black 告訴《紐約時報》，他們并沒有辦法告訴語音合成器說，這段話要帶有感情的去朗讀。

　　當(dāng)然，設(shè)計(jì)者也經(jīng)常強(qiáng)調(diào)他們并不希望用合成語音來騙人說這是真人語音。但他們?nèi)匀幌Ｍ麢C(jī)器和人的語音交互能更加自然，更像人和人之間的交流。

　　事實(shí)上，如果機(jī)器發(fā)音和真人發(fā)音過于接近，會讓人感到很不舒服。日本機(jī)器人科學(xué)家森政弘曾在1970年發(fā)表了一篇題為《恐怖谷》的文章，核心就是說，當(dāng)機(jī)器人和人的相似程度過于接近的時候，機(jī)器人身上的一點(diǎn)點(diǎn)小瑕疵，都會讓人感到不安。

　　根據(jù)森政弘的假設(shè)，隨著人類物體的擬人程度增加，人類對它的情感反應(yīng)呈現(xiàn)增-減-增的曲線。恐怖谷就是隨著械器人到達(dá)“接近人類”的相似度時，人類好感度突然下降至反感的范圍。“活動的類人體”比“靜止的類人體”變動的幅度更大。圖片來自維基百科

　　根據(jù)森政弘的假設(shè)，隨著人類物體的擬人程度增加，人類對它的情感反應(yīng)呈現(xiàn)增-減-增的曲線。恐怖谷就是隨著械器人到達(dá)“接近人類”的相似度時，人類好感度突然下降至反感的范圍。“活動的類人體”比“靜止的類人體”變動的幅度更大。圖片來自維基百科

　　ToyTalk 是一家為兒童玩具制作人聲的公司，其 CEO Brian Langner 就表示，當(dāng)機(jī)器能做對一些事情的時候，人們會認(rèn)為它能做對任何事。所以在他的產(chǎn)品里，他會讓機(jī)器故意犯一點(diǎn)錯。畢竟他做的是玩具，犯點(diǎn)錯讓人們一笑也沒什么不好的。

　　現(xiàn)在的問題是，經(jīng)過了那么多科學(xué)家的努力，在合成語音這件事上，我們還無需擔(dān)心“恐怖谷”的到來。

　　為了讓沃森能“好好說話”，IBM 招募了25位配音演員，經(jīng)過大量的實(shí)驗(yàn)和調(diào)整，他們終于合成了一個聽起來讓人感到比較舒服的聲音——雖然人們還是很明顯能聽出這不是真人在說話。

　　如果語音交互要有大發(fā)展的話，合成語音必須要讓人聽起來更舒服。不然的話，這種交互只能說是語音輸入，機(jī)器執(zhí)行，人類和機(jī)器之間并沒有真正的交流。