日本語音合成技術(shù)最近取得了突破，通過2個(gè)小時(shí)長的一位歌手唱歌的聲音數(shù)據(jù)，通過深度學(xué)習(xí)技術(shù)，通過人工智能(AI)軟件，可以合成與這位歌手幾乎完全相同的歌曲。

較之以前出現(xiàn)的各位AI虛擬歌手，這次的技術(shù)在聲音仿真程度上更進(jìn)一步，“機(jī)器聲”的感覺大幅下降，其訓(xùn)練速度也大為提升。利用這項(xiàng)新技術(shù)，我們不用請(qǐng)歌手去真實(shí)演唱，就可以隨心所欲地欣賞到這位歌手的聲音唱出的更多不同歌曲。比如讓AI模仿林俊杰的聲音，唱出周杰倫、五月天、孫燕姿等歌手的任何一首歌，你也完全聽不出其中有電子合成的痕跡——前提只需要讓AI“聽”完林俊杰的三張專輯。

A

又一位日本AI歌姬的誕生

這款日本AI歌姬開發(fā)商Techno Speech是一家由日本名古屋工業(yè)大學(xué)投資的創(chuàng)業(yè)公司，該公司成立的目的就是開發(fā)并宣傳名古屋工業(yè)大學(xué)開發(fā)的世界上最先進(jìn)的音頻相關(guān)技術(shù)，幾位主要負(fù)責(zé)人都來自名古屋工業(yè)大學(xué)語音技術(shù)研究室。我們目前聽到的這位AI歌姬所“唱”的歌曲版本有女聲演唱的日文歌、英文歌，還有中文版的陳奕迅的《愛情轉(zhuǎn)移》等。這些歌曲演唱的聲音幾乎與真人無異，仔細(xì)聽才能聽出幾個(gè)音有少許拉長間隔等毛病，但也只是像一個(gè)有口音的人說普通話，基本上單憑你我的耳朵，根本辨別不出這究竟是機(jī)器發(fā)出的聲音，還是真人演唱。

令這位AI歌姬成名的就是一款CeVIO語音合成軟件，使用的技術(shù)則是一種我們并不陌生的深度神經(jīng)網(wǎng)絡(luò)技術(shù)(簡稱DNN，是令計(jì)算機(jī)模仿人腦的思考方式，對(duì)所提供數(shù)據(jù)庫內(nèi)的語音數(shù)據(jù)進(jìn)行快速識(shí)別與記憶的技術(shù)，概念源于人工神經(jīng)網(wǎng)絡(luò)的研究)。德田惠一教授主導(dǎo)開發(fā)了這一項(xiàng)目。

眼下該技術(shù)開發(fā)公司還在與日本卡拉OK公司Joysound合作，打算讓他們?cè)O(shè)計(jì)的AI歌姬將來不僅能學(xué)人類唱歌，還要教人類怎么唱歌。比如有一款Pepper機(jī)器人裝上了這種應(yīng)用程序后，就可以與人合唱，唱完歌后還會(huì)給出相應(yīng)的評(píng)論，指點(diǎn)一二。這個(gè)功能在卡拉OK房里似乎也不是什么新鮮事。Techno Speech下一步則是要讓這項(xiàng)技術(shù)走進(jìn)養(yǎng)老院，為老人家們娛樂解悶。不過公司負(fù)責(zé)人表示，具體細(xì)節(jié)要明年3月才公布。

B

歌聲合成器技術(shù)催紅數(shù)位虛擬歌姬

之所以說這項(xiàng)技術(shù)本身并不新鮮，是因?yàn)閿?shù)年前日本YAMAHA集團(tuán)便已發(fā)行了一套歌聲合成器技術(shù)以及基于此項(xiàng)技術(shù)的應(yīng)用程序。

該技術(shù)當(dāng)時(shí)由西班牙的龐培法布拉大學(xué)的一個(gè)小組負(fù)責(zé)開發(fā)，在YAMAHA集團(tuán)幫助下最終實(shí)現(xiàn)商業(yè)化，成為一款名為“VOCALOID”的產(chǎn)品推出市場。該產(chǎn)品可以讓用戶只需通過輸入歌詞和音符的方式，就能讓軟件“唱歌”，配合加載伴奏數(shù)據(jù)，即可完成整首音樂的制作，在制作過程中無需任何新的歌手提供聲音資料。接著，YAMAHA公司以及Crypton Future Media等以VOCALOID引擎為基礎(chǔ)開發(fā)音源的公司便開始使用虛擬形象的方式進(jìn)行營銷，推出了諸如“初音未來”“洛天依”等虛擬歌手形象。

初音未來的音源數(shù)據(jù)資料采樣于日本聲優(yōu)藤田咲。形象被設(shè)計(jì)成一個(gè)有著綠色雙瞳和雙馬尾、身材嬌小、聲音嬌嗲可愛的卡通小女孩模樣。它最初于2007年推出的幾個(gè)試聽小樣大獲好評(píng)，令該款軟件銷售僅僅十天便占了日本音樂軟件市場的三成江山，連附贈(zèng)試用版的雜志都立刻賣光光，還被各種倒賣，炒到了三倍價(jià)格。于是初音未來在接連推出單曲、專輯后，還一直擔(dān)任日本音樂團(tuán)體Sound Horizon的演唱與合唱角色，并成為“世界上第一個(gè)使用全息投影技術(shù)舉辦演唱會(huì)的虛擬偶像”。早在2017年時(shí)，其代表曲的點(diǎn)擊播放已過百萬次?！俺跻粑磥怼钡某晒Γ蟠蟾淖兞穗娮右魳啡藢?duì)于音樂業(yè)的認(rèn)知和整個(gè)行業(yè)的格局。它的一系列衍生產(chǎn)品，包括漫畫形象等都成為各大廠商的“寵兒”，代言、授權(quán)產(chǎn)品種類無所不包，迅速走紅全世界。

VOCALOID如今已推出第三代虛擬歌姬，取名IA，使用語言為日語和英語，原聲聲源提供者為Lia。它的特色則是高音域歌唱充滿通透性，且口音清晰，在搖滾和節(jié)奏性舞曲方面尤其表現(xiàn)出速度上的優(yōu)越性，它已使制造各式各樣的聲音都成為可能。

而Yamaha公司以VOCALOID3語音合成軟件為基礎(chǔ)制作的全世界第一款有中文聲庫的虛擬歌手洛天依，自2016年2月登上湖南衛(wèi)視小年夜春晚后，如今也在中國擁有大量歌迷。

我國也有不少AI歌手，比如“微軟小冰”。它自2016年時(shí)以歌手身份出道，現(xiàn)已發(fā)布了十幾首接近人類出品質(zhì)量的單曲。2017年9月底，第五代小冰還解鎖了人工智能歌手深度學(xué)習(xí)模型，開始大規(guī)模演唱各種流行音樂。它只需聽人類清唱一遍，就能學(xué)會(huì)其中的情感和演唱風(fēng)格，五分鐘內(nèi)就可以來一首極相似的“翻唱”。眼下，微軟小冰的微博粉絲也是數(shù)以萬計(jì)。

c

DNN技術(shù)的應(yīng)用前景

DNN技術(shù)針對(duì)歌聲的合成，其實(shí)只是語音合成領(lǐng)域的一個(gè)分支。讓AI唱歌當(dāng)然比簡單的朗讀模式更為復(fù)雜，因?yàn)槌艘粽{(diào)，還要產(chǎn)生旋律感。但只需要輸入更大量的數(shù)據(jù)，AI自會(huì)進(jìn)行“消化”訓(xùn)練，并如你所愿地達(dá)到目的。現(xiàn)在你或許能明白，某些衛(wèi)星地圖軟件為何可以讓林志玲如此不厭其煩地替我們指路了吧？

研究人員稱，這項(xiàng)技術(shù)未來還可以運(yùn)用到更多領(lǐng)域。比如復(fù)現(xiàn)歌星的歌聲(包括死者的聲音)；音樂制作和游戲開發(fā)；由虛擬YouTubers主持的視頻流/直播；虛擬演員后期錄制系統(tǒng)；AI或語音對(duì)話系統(tǒng)的發(fā)聲模塊；生成靈活的參考語音，用于外語學(xué)習(xí)或歌唱教育；為ALS(漸凍人癥)或喉癌患者制作語音設(shè)備；制作護(hù)理設(shè)施的數(shù)字標(biāo)牌，等等。