雷刚 发自 凹非寺
量子位 报道 | 公众号 QbitAI
5月25日，成都，“高晓松”声音响彻会场，欢迎听众参会：
大家好，欢迎来到极客公园2019年现场和大家一起分享人和机器的共创未来。
但实际站在舞台中央的人，却是王小川。
王小川，搜狗CEO，成都七中知名校友，中国互联网进程里最知名的川娃子，中学时代就打响了IT天才名气，后来又在历史际会创造出一方天地。
现在，因一场活动，王小川带着一项全球领先的技术再次回到成都，没错，就是那一声“高晓松”的欢迎。
因为它在秒秒钟经过手机App前，还是王小川的原声。
搜狗“变声”，颠覆性进展
通过计算机合成某一个人的“声音”，自然在AI江湖里算不上什么。
但如果真正实现“千人千声”也能瞬间“迁移”，并且在小小手机上实现，那确实得竖大拇指。
因为全球AI第一大厂，Google，也还没做到。
就在一年一度亮肌肉的Google I/O上，也有“变声”方面的进展演示，但体现的是一种语料输入到另一种语料输出的“平行迁移”。
更AI的方式来说，one to one，从指定A到指定B.
但像王小川展示，无论说话者是谁，无论说什么，不用考虑说话人的特点（如王小川的“川普”），最后能够将“任意说话人”音色实时高逼真度变换到“指定说话人”音色，则是 Any to one.
该过程中，不光是输入输出两端的映射关系变化，更是技术实现难度上指数级提升。
因为核心问题在于，每一个人的音调、音色和语言节奏都不尽相同，正如同世上没有两片相同的树叶一样，世上也没有两个完全相同的说话人。
如何将“千人千声”通过技术处理，变为同一种指定声音，同时还不丢失原说话人的语言习惯？
离不开展现真正技术的语音表征学习和迁移学习的突破，简要来说三步：
首先，使用表征学习技术学习到源端说话人语音的音色、内容和韵律(讲话节奏、情感语气等信息)三大特征。
其次，将学习到的源端说话人音色特征替换成目标说话人。
最后，基于新的语音变声技术，使用内容(源端)、韵律(源端)、音色(目标端)三类特征，合成最终生成变声音频。
所以大会现场，王小川的“说”到高晓松的“声”，实际经历了这样的过程。
然而，这样一短句，实现背后也有数千层深度学习网络的努力。
如表征学习使用，上图所示，A部分对目标音色语料进行声纹特征编码，提取说话人的音色embedding。
B和C分别从输入音频中学习内容和韵律embedding，通过“说话人归一化”模块对内容embedding进行统一规整，去除音色信息，通过对音频特征的压缩编码及特征抽取，学习表征韵律的风格特征。
而语音变声，基于表征学习得到的特征，通过Attention和Decoder模块进行加权特征编码，并利用WaveRNN神经网络声码器恢复成波形，最终得到带有目标音色的音频。
当然，最具现实意义也最具技术挑战的还是落地。
这也是搜狗突破称得上颠覆性的原因这是全球首次将如此难度的变声能力落实到消费级产品中。
并且还不是自家用软件专门定义打造的终端硬件，而是融会贯通到小小“搜狗输入法”App中。
通过App，无论安卓还是iOS，无论什么品牌、何种价位的手机，都能实现“变声”，实时迁移成“表情语音包”。
未来应用自然不止于此。
语音届的“换脸”术
之前，Deepfakes带动的“换脸”已经实现了风靡，哔哩哔哩就出现了不少杨幂主演的《射雕英雄传》，惟妙惟肖，真假难辨。
但相比换脸的道德问题和法律危机，“变声”却能立竿见影创造价值。
凡有音频处，皆能让AI变声发挥效用。
比如在线教育、景点导游、电商广告等等场景的音频制作。
一个有口音的老师，一个普通话不标准的地方导游，以及各种流量奶生。
特别是实力待丰的流量偶像们，雇佣一个熟练掌握“换脸”和“变声”技术的AI团队，就完全能靠脸吃饭，人在家中坐，钱源源不断来。
总之，只要有音频的需求，变声就能降低成本、提高效率。
王小川还想借此应用表明，我们正在身处一个怎样的技术时代。
跟技术结合，人类才能更强大。不要狂妄心怀碾压排斥，而是接受技术的变革和改造，成为新人类，真正人与机器协同，变得更强大，创造更迷人的未来。
搜狗CEO毫无疑问想推动这样的未来。
AlphaGo洗礼，搜狗进化
在活动上，王小川也再次从AlphaGo讲起。
他认为这是这个时代的文艺复兴、启蒙运动，让我们开始换另外的世界观看待技术和未来。
对于他自己，这种进化更是显著。
在AlphaGo期间，他就是“机器必胜”的笃定支持者。而AlphaGo获胜后，搜狗CEO更是直接为此开辟了一天“狗胜节”的带薪假。
很多人都说搜狗会借势，但少有人了解王小川的遗憾。
因为在AlphaGo宣布挑战李世石之时，王小川就感叹过，搜狗内部其实也认真讨论过深度学习下围棋的可能性和可行性。
但后来不少工程师认为需要太多资源、小公司更该务实……最终没有真正展开，直到AlphaGo在Nature上的论文发表，才慨叹思路和技术所见略同。
这让搜狗CEO学到一课：光有务实主义不够，工程师也得展现出敢想敢上的“浪漫主义”那一面。
所以“狗胜节”与其说是庆祝，不如说警醒。
这也是搜狗蜕变和进化的开始。
之前搜狗是产品力突出的形象，从浏览器、搜索到输入法，江湖享有名气，特别是输入法，在国内堪称“国民应用”。
但现在，搜狗的旗帜也越来越多出现在全球AI的“华山论剑”中。
全球CoQA机器阅读理解大赛夺冠；
世界MegaFace百万级人脸识别竞赛中夺冠；
WMT2017机器翻译顶级评测大赛中英和英中第一；
国际顶级口语机器翻译大赛IWSLT决赛第一；
《基于模态注意力的端到端音视觉语音识别》中标国际顶级学术会议ICASSP；
……
此外，还有人工智能应用领域的引领性创新。
比如全球首个AI合成主播上岗新华社、CCTV，以及刚刚取得突破的“千人千声”变声落地输入法。
还需要提及的是，这只不过王小川和搜狗将自己的技术底色更鲜明地亮出来而已。
对于技术、AI的投入，更早之前就能从两件公益大于其他的“投资”事件中窥见一斑。
清华学子的年度AI“华山论剑”智能体大赛，创办21年的搜狗连续赞助15年，至今都是王小川必会参加的活动。
另一件也跟清华有关。2016年，搜狗向清华捐资1.8亿元用于成立“清华大学天工智能计算研究院”，集中研究AI等前沿领域技术。
值得一提的是，最近发表于全球顶会的端到端音视觉语音识别论文，正是搜狗和清华天工研究院的联手之作。
中国AI创新缩影
最后，也是时候借搜狗重新认知中国AI的发展现状和未来了。
谈论中国AI的时候，恐怕你依然会有这样的印象：中国应用有优势，但基础研究方面差距太大。
但从搜狗“变声”突破和应用来看，一种越来越明显的趋势正在展现。
图灵奖唯一华人得主、清华姚班创始人姚期智教授更是有准确概况，在接受《人民日报》采访时，姚院士这样说：
中国的人工智能在应用上绝对是杰出的，相对来讲对于算法基础研究没有那么强，但是对于这个问题从长期的观点来看，我还是相当乐观的。
姚期智教授认为，AI正在变得热门，受到越来越多重视，也有越来越人才投身其中，基础算法和理论研究也都被更集中攻坚。
我觉得我们现在没那么强，但是以后的几年我们能够追上。
所以结合王小川和搜狗的种种努力及其结果，姚期智教授之言，并非单纯乐观而已。
虽要戒骄戒躁，但也没必要妄自菲保
如今局势，我们希望更多创新诞生，既要有信心、也要给耐心，同时也要给予更多关注，不吝给每一次突破献上掌声。
