未來的百度地圖會(huì)具備更多AI能力和語(yǔ)音交互能力

鬼才科普作家詹姆斯·弗拉霍斯用《智能語(yǔ)音時(shí)代》這樣一個(gè)標(biāo)題形容了如今語(yǔ)音科技對(duì)人們的影響。他的副標(biāo)題很有趣——商業(yè)競(jìng)爭(zhēng)、技術(shù)創(chuàng)新與虛擬永生。在他看來，每十年左右，人與技術(shù)的互動(dòng)方式就會(huì)有一個(gè)根本性的轉(zhuǎn)變。數(shù)十億美元的財(cái)富會(huì)“恭候”那些定義了新的時(shí)代范式的公司，而落伍者將破產(chǎn)倒閉。

語(yǔ)音正在變成影響現(xiàn)實(shí)的通用遙控器，成為幾乎能控制任何一種技術(shù)裝置的手段。語(yǔ)音打破了世界上一些最有價(jià)值的公司的商業(yè)模式，為新的應(yīng)用創(chuàng)造了機(jī)會(huì)。

這一次，百度地圖用語(yǔ)音定制功能同時(shí)展現(xiàn)了品牌營(yíng)銷和技術(shù)積淀的雙重能力。其中的語(yǔ)音技術(shù)未來的ToB、ToC領(lǐng)域也都有寬闊的運(yùn)用空間。

一

品牌營(yíng)銷的創(chuàng)新

過去地圖行業(yè)常常找來明星站臺(tái)，通過明星語(yǔ)音包的方式展開品牌活動(dòng)。

這種策略的確卓有成效，事實(shí)上，不管是湯唯、林志玲語(yǔ)音都很受用戶的歡迎。但是要知道，明星的粉絲畢竟圈層有限，明星語(yǔ)音可能僅僅只能吸引一部分粉絲用戶，想要真正擴(kuò)大圈層，實(shí)現(xiàn)營(yíng)銷破圈，可能要采取一些別的策略。

不過有趣的是，9月19日，百度地圖發(fā)布語(yǔ)音定制功能，直接推出了用戶定制專屬語(yǔ)音包。

定制方式很簡(jiǎn)單，打開百度地圖App，喚醒“小度小度”后說“錄制我的語(yǔ)音”，或點(diǎn)擊百度地圖首頁(yè)的“出行助手”后進(jìn)入“語(yǔ)音定制”，便可開啟語(yǔ)音定制之旅。在安靜的環(huán)境中，跟著百度地圖指引，念出卡通和影視臺(tái)詞等充滿趣味性的錄制文本，等待大約20分鐘，就能擁有一個(gè)自己專屬的語(yǔ)音包。

最后你就可以用自己的語(yǔ)音包替換掉其他明星語(yǔ)音包，可以在百度地圖的景區(qū)智能語(yǔ)音導(dǎo)覽、智能語(yǔ)音交互、導(dǎo)航等全部場(chǎng)景使用。

讓用戶使用地圖時(shí)聽著自己的語(yǔ)音，這或許是一個(gè)對(duì)所有人來說，都是個(gè)饒有趣味的嘗試，這種嘗試的有趣之處在于：

1、滿足新鮮感;明星語(yǔ)音已經(jīng)是市面上大部分手機(jī)地圖的常規(guī)操作，由于傳導(dǎo)機(jī)制的不同，人們聽自己聲音與自己聲音的錄音往往不同，這種“奇妙而羞恥”的感受往往比明星語(yǔ)音來得更有趣。

2、打破了圈層;明星語(yǔ)音畢竟只是一部分粉絲群體會(huì)選擇使用，但是自己的語(yǔ)音卻是所有人都感興趣的，不花一分錢請(qǐng)明星做代言，不針對(duì)少部分粉絲用戶群體，直接用技術(shù)手段覆蓋所有用戶群體，這種策略可謂是四兩撥千斤。

可以說，這既是一次營(yíng)銷活動(dòng)，也是一次技術(shù)展示。而且兩者有著很好的結(jié)合，

已經(jīng)很少有品牌營(yíng)銷能夠真正讓技術(shù)能力得到釋放，但是百度地圖這次做到了。它讓技術(shù)和營(yíng)銷軟硬兼?zhèn)洹?/p>

二

語(yǔ)音技術(shù)的躍進(jìn)

這個(gè)功能主要應(yīng)用了百度獨(dú)創(chuàng)的風(fēng)格遷移技術(shù)Meitron模型。

所謂風(fēng)格遷移這個(gè)概念最早來源于圖像領(lǐng)域的概念，簡(jiǎn)單說就是：將一張圖片的藝術(shù)風(fēng)格應(yīng)用到另外一張圖片上。

語(yǔ)音的風(fēng)格遷移其實(shí)也被稱作是“語(yǔ)音克隆”(voice clone)、“多說話人風(fēng)格遷移”(multi-speaker)、“風(fēng)格遷移”(style transfer)、“語(yǔ)音轉(zhuǎn)換”(voice conversion)。

要知道語(yǔ)音的風(fēng)格遷移非常困難。

因?yàn)樯疃染W(wǎng)絡(luò)對(duì)于語(yǔ)音處理困難。一來不如圖像和文本領(lǐng)域研究火熱，二來語(yǔ)音所具有的信息，難以編碼到高維隱空間。一段語(yǔ)音時(shí)間序列中，混雜著以下方面的信息：說話人特征(如一個(gè)人的音色，音調(diào)等);語(yǔ)言學(xué)內(nèi)容(語(yǔ)音表述的內(nèi)容);副語(yǔ)言特征(如情感等)。

2017年，曾有一篇名為《Style Tokens： Unsupervised Style Modeling， Control and Transfer in End-to-End Speech Synthesis》的學(xué)術(shù)論文講述風(fēng)格遷移的問題。

百度地圖這次采用的Meitron模型其特點(diǎn)主要體現(xiàn)在發(fā)音人音色轉(zhuǎn)換，多情感朗讀和韻律風(fēng)格遷移三個(gè)方面，從而讓個(gè)性化語(yǔ)音合成的定制門檻大大降低。

要知道，過去明星地圖語(yǔ)音的錄制非常麻煩。以高德地圖的林志玲語(yǔ)音為例，它的制作分成兩塊。

一塊是按照錄音稿錄制出來的語(yǔ)音內(nèi)容。另一塊則是高德當(dāng)時(shí)找專人，跟了林志玲幾個(gè)月，貼身錄音，把原始聲音文件處理提取出數(shù)字特征。再采用通用的、很完善波型合成技術(shù)，將元音、輔音及音調(diào)等采樣，通過算法實(shí)現(xiàn)文語(yǔ)轉(zhuǎn)換。

這是2014年明星語(yǔ)音生成的處理方案——看完你大概會(huì)想，錄個(gè)音實(shí)在太難了。

但是在Meitron模型下情況就不一樣了，這個(gè)模型背后的技術(shù)支撐是百度大腦語(yǔ)音技術(shù)的賦能。AI的加持讓地圖語(yǔ)音包生產(chǎn)實(shí)現(xiàn)了從月級(jí)別到分鐘級(jí)別的突破性進(jìn)展。

該模型是目前行業(yè)領(lǐng)先的語(yǔ)音合成技術(shù)。用手機(jī)即可完美復(fù)刻說話者的音色，風(fēng)格，情緒等。

關(guān)鍵是，僅僅只需要20分鐘就能全部生成。也就是說，未來不管是什么明星，他們的語(yǔ)音只需要在Meitron模型里跑20分鐘，基本就能生成一個(gè)完整的導(dǎo)航語(yǔ)音包。

語(yǔ)音合成能力越強(qiáng)，其實(shí)也說明未來人機(jī)交互、語(yǔ)義理解的可能性越大，機(jī)器閱讀的能力越強(qiáng)。

短短5年時(shí)間，AI加持下的語(yǔ)音技術(shù)可謂突飛猛進(jìn)。百度大腦的實(shí)力可見一斑。

三

未來商業(yè)的結(jié)合點(diǎn)

這次品牌營(yíng)銷其實(shí)也是百度語(yǔ)音技術(shù)的一次能力展示，它未來在ToB側(cè)、ToC側(cè)都可以有更多結(jié)合之處。

比如深度神經(jīng)網(wǎng)絡(luò)技術(shù)，提供高度擬人、流暢自然的語(yǔ)音合成服務(wù)，讓客戶的應(yīng)用、設(shè)備開口說話，更具個(gè)性。

1、教育和閱讀類產(chǎn)品：讓課程和講解變得更生動(dòng)

通過閱讀類APP閱讀小說或新聞時(shí)，如果使用語(yǔ)音合成技術(shù)為用戶提供多種發(fā)音人的朗讀功能，釋放雙手和雙眼，獲得更極致的閱讀體驗(yàn)。

2、生活和服務(wù)類產(chǎn)品：讓服務(wù)交互效率得以提升

語(yǔ)音合成還可應(yīng)用于打車軟件、餐飲叫號(hào)、排隊(duì)軟件等場(chǎng)景，通過語(yǔ)音合成進(jìn)行訂單播報(bào)，讓用戶便捷獲得通知信息。面部識(shí)別則是可以展開顧客識(shí)別、訂單校對(duì)。

3、智能硬件類產(chǎn)品：讓人機(jī)活動(dòng)變得更鮮活有趣

可集成到兒童故事機(jī)、智能機(jī)器人、平板設(shè)備等智能硬件設(shè)備，使用戶與設(shè)備的交互更自然、更親切。

當(dāng)然，對(duì)百度地圖自身而言，這次語(yǔ)音合成技術(shù)的使用使其人工智能地圖的稱謂名副其實(shí)——所謂人工智能地圖指的是，在AI賦能下，地圖在交互體驗(yàn)、位置信息、出行服務(wù)以及出行決策等方面產(chǎn)生了重大變革。

對(duì)ToC用戶來說，未來的百度地圖會(huì)具備更多AI能力和語(yǔ)音交互能力，它在使用過程中會(huì)變得更便捷、更智能，比如說，結(jié)合用戶的使用習(xí)慣和當(dāng)前的場(chǎng)景，通過用戶畫像、深度學(xué)習(xí)等能力，給每個(gè)用戶帶來個(gè)性化信息和服務(wù)推薦。

對(duì)ToB用戶而言，未來的百度地圖同樣可以運(yùn)用AI能力和語(yǔ)音交互能力，為客戶和商家基于語(yǔ)音的地理位置服務(wù)，結(jié)合人口分布、客流分析、設(shè)施分布等多項(xiàng)大數(shù)據(jù)分析服務(wù);面向規(guī)劃、房產(chǎn)、商業(yè)、零售等行業(yè)提供解決方案。

當(dāng)“你應(yīng)我答”的模式出現(xiàn)，在人與人之間、人與機(jī)器之間，交談就絕不只是一種純粹依靠邏輯展開的過程。語(yǔ)言永遠(yuǎn)不是脫離內(nèi)容的外殼，人都會(huì)被語(yǔ)言影響或打動(dòng)。

未來，我們與無處不在的機(jī)器構(gòu)成的世界，將是一個(gè)前所未見的更加豐富多彩的感性世界。

詹姆斯· 弗拉霍斯有這樣一個(gè)設(shè)想：

在云時(shí)代，“只要簡(jiǎn)單地加上一個(gè)麥克風(fēng)和一個(gè)Wi-Fi芯片，任何裝置都能實(shí)現(xiàn)語(yǔ)音驅(qū)動(dòng)。從浴室的水龍頭到孩子玩的布娃娃，任何裝置都能利用分布在全球的幾千臺(tái)計(jì)算機(jī)所提供的計(jì)算能力。”這幾乎意味著“萬物能言”的童話世界真的實(shí)現(xiàn)了。

在這樣的世界之中，商業(yè)邏輯和產(chǎn)品邏輯也將有著更多改變。語(yǔ)音可能真的要成為地圖等產(chǎn)品的入口之一。