你聽說過Mike這個名字嗎?也許并不很陌生。但此Mike非彼Mike。他是一個職業(yè)的播報者。如今，他的聲音遍及各個角落。在提供電子地圖查詢服務(wù)的MapQuest網(wǎng)站上，他會依據(jù)你點(diǎn)擊的地點(diǎn)大聲地給予作答。如果你喜歡體驗(yàn)從耳機(jī)中“聽”Yahoo!電子郵件的感覺，那個聲音就是Mike的。不久，Mike可能還要為電視天氣預(yù)報配畫外音。但是，你可別期望能在屏幕上看見他的面孔。他不是人類。他只是個將預(yù)錄聲音重新拼湊組合形成的計(jì)算機(jī)“聲音”，并被譽(yù)為是“最接近人類發(fā)音的聲音”。

Mike是2001年由AT&T實(shí)驗(yàn)室推出的文本朗讀技術(shù)(TFS，使文本信息轉(zhuǎn)換成語音信息的技術(shù))中一顆最耀眼的語音明星。他是AT&T實(shí)驗(yàn)室中“自然語音”系列大家庭中的一員。他的兄弟姐妹很多，包括講德語的Reiner和Klara，講西班牙語的Rosa，講法語的Alain以及講英式英語的Charles。他的另一個講美式英語的兄弟Crystal還為最新影片《紅色星球》中的太空船配過音。像Mike、Crystal、Reiner和Rosa，你只能是聞其聲而不見其人。

語音合成系統(tǒng)的亮相即是一場技術(shù)革命的勝利也是一個古老夢想的實(shí)現(xiàn)。世界上第一臺“機(jī)械發(fā)聲的語音器”是1791年由維也納研究者Wolfgang yon Kempelen所推出的。這臺機(jī)器采用一系列振動簧片來模擬語音中主要的元輔音，有點(diǎn)像是器樂演奏。直到電子時代來臨以后，才有機(jī)器開始真正的模仿人類的聲音。20世紀(jì)50年代，研究者們費(fèi)盡心力模仿人類聲道的發(fā)聲機(jī)理、共振頻率或是產(chǎn)生的共振峰來制造語音合成器。盡管造就的聲音接近人類，但卻十分“銹澀”。像Stephen Hawking發(fā)明的語音合成器就是最著名的例子。它可以為你解釋通用汽車公司的歷史，但機(jī)械的發(fā)音使你根本無法從它那購買到一輛二手車。當(dāng)然，這對于一個有溝通交流能力的人來說要容易得多。

“在某一點(diǎn)上，很顯然，語音合成技術(shù)的發(fā)展太緩慢了。不斷膨脹的需求使我們開始尋求更為切實(shí)的途徑。”AT&T實(shí)驗(yàn)室負(fù)責(zé)語音合成技術(shù)開發(fā)并最終創(chuàng)造出Mike的研究員Juergen Sehroeter激動地說。20世紀(jì)70年代，在當(dāng)時貝爾實(shí)驗(yàn)室的研究員們提出了一種新的方法。他們摒棄了以往那種通過拼湊單詞來產(chǎn)生人類聲音的做法，開始使用現(xiàn)成的聲音，即讓一個口齒清晰的人說上幾個小時的標(biāo)準(zhǔn)英語句子，然后設(shè)計(jì)電腦程序?qū)︻A(yù)錄語音進(jìn)行拆分、拼接，最終表達(dá)出他們想說的話。Schroeter感慨地說，“我的一些同事感覺我們似乎已經(jīng)放棄了更科學(xué)的做法。”但實(shí)際上，科學(xué)僅僅只是轉(zhuǎn)移了焦點(diǎn)，從發(fā)聲的機(jī)械學(xué)到合成的數(shù)學(xué)方法。

語音合成技術(shù)主要分兩部分。首先是電腦程序?qū)㈩A(yù)錄的文字序列轉(zhuǎn)換成音韻序列，術(shù)語叫音素。然后，音素被重排形成新的單詞。例如，錄音單詞Cat可以被拆解成k、ae和t3個音素。然后它們再排列形成單詞tack。這種方法很有效果。與機(jī)械語音相比，的確有明顯的提高，但仍然很不完善。僅有的50多個音素遠(yuǎn)遠(yuǎn)滿足不了實(shí)際的需要，它們根本無法捕捉到口語當(dāng)中細(xì)微的語調(diào)。“你不能只是簡單的從這個句子中取出一個元音就隨意的把它放人另一個句子中。”AT&T語音研究員Mark Beutnagel解釋說。

到了20世紀(jì)90年代中期，AT&T研究員們開始運(yùn)用新一代的超級計(jì)算機(jī)建立大型數(shù)字音素“語音庫”。此時的電腦程序選出的“t”音可不再是一個，而可能是一萬個。