语音识别数据库、语音合成 数据库是人工智能的关键技术，让机器能听会说、能像人一样的学习、理解和思考，成为人类生活和工作的得力的帮手、亲密的伴侣，一直是人类的梦想。随着近半 个世纪智能语音技术的进步和深度神经网络技术(DNN)的工程化应用，人类正不断的接近这个梦想，这个梦想也同时极大的驱动着智能语音技术的发展。最初， 人们只能让机器发出类似人的声音，比如18世纪后半叶欧洲人制造的Kempelen讲话机，它能说出有限的词和短句。经历了两个多世纪，现在的“聊天机器 人”不仅能以自然度很高的声音与人交流、还会调侃、卖萌。20世纪50年代AT&T贝尔实验室的Audry，它可以识别十个英文数字。现在，语音 识别技术的自然语言识别正确率已经高于95%。
微软发布的“小冰”，和百度发布的“度秘”，再一次在人群中掀起人工智能和人机交互的热潮。
为了深刻的了解在“小冰”和“度秘”聪明伶俐、能听会说背后的秘密，记者专访了”北京海天瑞声科技有限公司”的CEO唐涤飞先生。作为国内、乃至亚洲***的人工智能数据资源供应商，“海天瑞声”在语音合成(TTS)、语音识别(ASR)、自然语言理解(NLP)和机器翻译(MT)等技术领域的基础数据资 源开发领域，积累了17年的专业经验。就智能语音基础数据资源而言，目前已经拥有116种语言、覆盖70多个国家和地区的数据资源制造能力。
小冰和度秘对人发出的指令的理解能力，比之前的语音助手表现要好很多。在百度世界大会上，面对李彦宏的种种刁难，度秘应对自如，不仅帮“厂长”在网上订 了 两杯拿铁，还订好了可以带宠物的餐厅，在网上团购了动画片电影票。那么，“小冰”和“度秘”能准确理解人的指令的提问背后的秘密是什么呢?
唐涤飞先生说，这是由于语音识别(ASR)技术和自然语言理解(NLP)技术的巨大创新和进步，从最初的 DNN 模型到现在的 LSTM 模型，从机器学习(ML)到深度学习(DL)，每次技术创新都给用户带来了全新的体验。不仅如此，在训练语音识别引擎中所使用的基础语音语料库，也是至关 重要的因素。在设计语料时，需要专业的语言学家根据特定语言的语言学现象，全面考虑语料领域分布、应用场景分布、语料时效性等因素，同时借助相应的NLP 处理技术和标注团队来确保数据库语料池的规模和结构科学合理、音素覆盖与平衡、句意完整、语义连贯、拼写正确且易读可懂，***再按照发音人分布、口音分 布、文本分布、音素分布、场景分布等条件通过采用相应的算法如DTW动态规则算法对发音人的文本进行抽取形成特定发音的文本。
由于口音、年 龄、教育背景和生活地区的不同，不同的人表达同一个意思、问同一个问题，甚至说同一句话，都会有细微的千差万别。比如，在智能客服应用中，机器人不仅要听 懂客户的话，还要能识别客户的情绪，比如，根据其情绪是焦躁还是平静，或根据客户情绪的变化，来判断他是变得生气了，还是慢慢消气了，而采取不同的处理优 先级和反馈方式。这就涉及要在训练语料中引入情绪因素。但目前小冰和度秘还不能完全做到这一点。
据唐涤飞先生介绍，为了让“小冰”能用自然甜 美流畅的声音说话，大规模的语音合成(TTS)数据库的设计和开发，从根本性上决定了用户对她的体验。在数据库的设计上，首先要选择年龄和音质合适的发言 人，她的声音要年轻、阳光、伶俐且充满活力。其次，在数据库的设计上，要充分考虑到语言和音素的全面覆盖，语料主要来自海量的聊天对话语料。为了强调小冰 是个有情感的小姑娘，她不仅会一本正经的说话，也会生气、卖萌，因此，需要在语料设计中增加很多口语化的句子和网络用语，甚至还有网络小说里的段落。同 时，还要有常用的英语词汇、中英混合词汇、数字串、地名等专用语料。在人的自然语言中，同一句话在不同的情境里，说出来的语调和韵律是不一样的。因此，在 语料设计中，还要考虑到这些因素。如此一来，语料库的规模往往就要在上万句甚至数万句。从某种程度上说，语音合成语料库设计的失败，会极大的抵消掉语音合 成技术的进步。
从小冰和度秘这样的聊天机器人，到真正的机器伴侣，人类还有一段很长的路要走，还有许多困难需要克服。她必须能更准确的听懂并 响应对她发出的各种指令，还要能“理解”人的情绪变化和情感需要，能进行 “思考“，从而为人提供更接近于真实的人的服务，包括情感支持和慰藉。在语言表达方面，也要更接近人类的真实情感和情绪的表达，要更自然流畅。造成这种困 难的原因当然是多方面的，唐涤飞先生从其中一个方面做了解释，那就是基础数据资源的缺乏和成本居高不下。如上面所提到的，为了让聊天机器人能够尽可能的听 懂、甚至真正能“理解”人的语言和情绪，对基础数据资源设计者和开发者，就提出了更高的要求。
