在不到六個月的時間里，成立兩年的TTS(語音合成)技術初創公司reflect Sound開啟了新一輪融資。

數字圖書和廣播劇的“耳朵經濟”正在蓬勃發展，人工智能(AI)合成了專業播音員的聲音。

(資料圖片)

與人工播音員相比，人工智能語音合成技術不僅大大縮短了配音時間，還節省了制作成本和人工成本。反射音頻，開始提供語音合成系統和解決方案，就是這樣做的。

過去一年，在reflect Audio推出的有聲讀物制作平臺上，AI主播的制作速度超過500萬字/天，錄制成本可節省90%以上。今年3月，它與中央廣播電視總臺的音頻APP云天合作，開發基于集團IP和金融媒體的人工智能產品，這意味著它的業務已經成功進入“國家隊”。

音頻反射的核心團隊大多來自百度、Microsoft、Ali等公司。這群技術專家在小愛同學、小都智能音箱、百度語音導航、百度呼叫中心等語音產品的前期基礎技術建設中不可或缺。

reflection Sound基于端到端神經網絡和深度學習合成器開發了自己的情感和情感控制模塊，在音色仿真、情感顯示、定制服務、多語言等方面達到了行業領先水平。

它的融資也在快速進行。此前，該創業公司已于2019年5月完成300萬元的天使輪融資，今年5月完成1000萬元的pre-A輪融資，正在啟動目標規模2000 - 3000萬元的A輪融資，以加速技術研發，加速產品在垂直場景下落地。

在北京建外SOHO的一間辦公室里，一場新的語音合成職位爭奪戰正在醞釀。建外SOHO是一家初創企業，團隊不到20人。

最近，志東去了他們在北京的總部。通過與創始團隊的深入溝通，我們了解了公司的誕生和成長故事，也看到了他們對AI語音技術創新的很多探索和堅持。

1. 促進百度小米智能音箱的誕生，反映聲音的開始

2013年左右，畢業于北京航空航天大學云計算專業碩士學位的肖碩加入百度語音技術部門。剛從倫敦帝國理工學院(Imperial College London)獲得人工智能碩士學位的李曉(音譯)也同時加入了該團隊。此時，百度的人工智能(AI)業務才剛剛起步。

在百度工作期間，肖碩和李曉團隊開發了國內首個情感語言合成系統，先后開發了小都智能音箱、百度呼叫中心等產品，為未來百度智能語音生態系統的建設和豐富奠定了重要基礎。

此外，他們還在獵豹移動投資的AI創業公司Orion Sky工作，在一年的時間里與創業團隊一起參與了小米首款夏愛智能音箱的開發項目。

這些年來，小碩和李曉因為兩次從零開始搭建技術解決方案的經歷，逐漸產生了創業的想法。在Orion奮斗的經歷也讓他們接觸到了很多創造性的知識和經驗，“消除了對創業的恐懼。”

2019年，隨著百度語音技術步入成熟發展軌道，其語音技術戰略已不再專注于語音合成，而是更多地關注語音交互。與此同時，硬件的改進、計算能力的提高和深度學習場景的擴展正在使處于早期發展階段的語音合成技術取得革命性的突破。

因此，肖和李決定離開百度，開始自己的創業生涯。2019年3月，映聲在杭州正式注冊成立。由于很多百度團隊的前合伙人跟隨他們創業，他們也選擇將公司總部“落戶”在北京，成立兩個月后就獲得了300萬元的天使輪融資。

蕭碩和李曉的征途正式起航，映音的挑戰也才剛剛開始。

其次，押注于有聲書和人工智能新聞報道，語音合成的想象力是巨大的

然而，AI voice出現在如此廣泛的音軌上，為什么reflect audio堅決選擇voice synthesis track?

在肖朔看來，語音識別是語音技術最早爆發的領域，科大訊飛、云音等公司已經深入工作多年，推出了智能醫療、智能翻譯筆、智能會議錄入系統等成熟產品，留給新選手的市場機會很少。

在技術方面，李曉認為目前的語音識別技術已經進入了識別精度簡單的成熟階段。相比之下，還有很多語音合成的分割場景有待探索，包括廣播劇、有聲書、游戲配音，甚至亞文化中的虛擬偶像。這些都是未來落地的方向，有著巨大的想象空間。

例如，在有聲書、廣播劇等長音頻作品的制作過程中，前期需要手工繪制大量的文本腳本，中期需要進行配音，后期需要進行編輯。整個過程需要幾個月的時間，涉及大量的勞動力成本。但是，如果采用語音合成技術，可以大大降低每個環節的時間和財務成本，只需幾天甚至幾個小時，就可以完成一個很長的音頻制作。

對于電影和游戲配音來說，為了保證用戶的觀看和游戲體驗，制作團隊需要花費大量的時間為角色選擇合適的配音演員。同時，他們還需要考慮配音演員的休息時間和續集聲音的連續性，這也給制作周期帶來了很多不確定性。利用語音合成技術，只需輸入腳本，就可以快速生成適合文字形象和工作需要的聲音。

然而,因為用戶有很高的要求,語音合成技術的運動感覺,如果這項技術不能實現效應水平與真實的人,很難讓用戶支付,用戶購買意愿成正比技術的改進效果。

“因此，語音合成是語音交互鏈上的最后一擊，一旦它實現了，市場將會更大。”肖碩評價。

目前，映音主要專注于有聲圖書和人工智能新聞播報，為創作者、版權所有人和融媒體平臺提供高性能、低成本的音頻制作服務。

在有聲讀物方面，reflect Audio主要提供了一個有聲讀物交易和制作的平臺，用戶可以通過這個平臺實現從稿件覆蓋、配音錄制到音頻編輯的整個云制作過程。用戶還可以選擇自動/半自動制作、純AI主播、AI語音+人工主播錄音等。

例如，在處理的早期階段，該平臺可以實現手稿的篩選和清洗。如果內容是廣播劇級別的，還可以對內容進行深度改造，包括配音的角色劃分、人物描述、情感風格等元素，從而改編出適合收聽的文本。

在人工智能新聞播報方面，映音與中央廣播電視總臺音頻客戶端云天APP合作，打造人工智能新聞主播，為音頻內容服務提供一站式解決方案。與國內其他人工智能新聞主播相比，反聲播報效果更加飽滿自然，音色模擬、情感展示、多語言表達達到行業領先水平。

三、科技城建設背后，語音合成三大優勢

無論是有聲讀物還是人工智能新聞廣播，都離不開反射音頻在語音合成領域的技術積累與創新。

李曉說，過去，傳統的語音合成技術主要有兩種方式，分別為拼接法和參數法。例如原來的小米Ai采用的是拼接方法，幾乎是用真人的語音片段進行算法拼接和組合。優點是音色和自然性都很好，缺點是操作復雜度很高，數據量也很大。

“那時候，我們讓配音人員錄制了將近半年的時間，總計數百個小時，才把小愛打磨得非常好。”李蕭說。

隨著端到端深度學習延伸到語音合成領域，語音合成技術實現了質的飛躍。

一方面，基于深度學習的語音合成技術內部計算模塊和網絡結構更加復雜，無論是參數數量還是技術復雜度都遠高于以往。另一方面，內部結構的復雜性使得模型構建后的后續使用非常簡單，不需要使用大量數據來進行底層支持。

總體而言，反射聲音的語音合成技術主要有三個核心優勢。

一是擬像度，這是語音合成技術的核心。語音合成通常包括有聲繪本、有聲讀物、新聞廣播、呼叫中心等許多場景，不同場景的技術表達和動作邏輯有較大的差異，比如語調不同，比如兒童、成人、老人或模擬不同動物、怪物的聲音，是一個較大的問題。

反射聲音可以大大減少語音合成與人的表達之間的差異，縮短合成聲音與人的表達之間的距離。合成聲音的采樣率可以達到48kHz，更接近錄音室真人錄制的聲音，而市場上主流的合成采樣率是16kHz。

在多情感方面，反映聲音的語音合成技術可以更準確、細膩、豐富地表達情感。同時還支持英文、中文和英文的混合合成，跨語言定制成本低。

二是定制能力。基于數據積累在過去的兩年里,反映出音頻積累了成千上萬的真正的主持人在自己的平臺上,和它的語音合成和定制能力已達到近100%的恢復一個人的聲音只有200字(約30分鐘),并且可以達到商業化水平。

即使用戶只需要錄制10-15句話并反映聲音就可以“克隆”出相似度達90%的聲音，但“克隆”的主要是聲音線，句子數量非常少，所以需要其他算法技術來彌補情感恢復。

三是結合語音合成技術。反射音頻除了語音合成的單點技術外，還關注與之密切相關的上下游技術點。例如，在有聲讀物場景中，實現了反射音頻的自動繪制能力。每個句子的音庫和情感風格與語音合成技術密切相關。

有聲書產業快速發展的背后，反映了有聲書的下一步

自2019年3月成立以來，reflect Sound花了一年多的時間打磨和積累基礎技術，直到2020年5月正式商業化。在2020年，他們將在9月運行有聲圖書軌道，在12月運行廣播、電影和媒體軌道……最大的變化是聯合創始人兼首席營銷官何培成的加入。

“何總裁補充了我們的營銷和商業團隊，并將reflection Audio從一家純粹的技術出口公司轉變為一家產品服務公司。”肖說，在這次轉型中，該公司在幾個垂直場景下形成了一整套產品和服務，在打開市場的同時進一步擴大了公司的收入。

“去年的重點是技術和產品階段，營收基數較低。”賀培成表示，今年，該公司的收入出現了顯著的爆炸式增長，預計收入將達到數百萬美元，同比增長700%。

今年，反映Audio的主要目標仍然集中在技術和市場兩個方面。一是鞏固他們已經進入的有聲讀物和人工智能新聞報道市場，成為模范客戶，實現更大的收入和市場份額，這是他們今年的核心目標。其次，它希望基于自己的語音合成技術擴展到更多的商業場景。

在技術方面，李曉認為語音合成的關鍵挑戰在于如何使情感表達更加細膩。“這將是我們繼續深入挖掘的重點。只有攻克了語音合成技術，才能將語音合成技術應用到更多的場景中。”他說，如何在長音頻中使語音合成感覺自然流暢也是一個挑戰，因為語音合成仍然專注于單個句子。

簡單地說，目前語音合成技術最大的瓶頸不再是計算能力，而是語音合成技術本身。如何用一個更好的數學模型來解釋人的發音的生理結構和原理，可能是語音合成技術下一個最重要的突破。

因此，下一步的反聲技術研究和發展方向，一方面要從縱深入手，不斷探索細膩的情感表達，更好地控制在長文本連貫逐漸強，逐漸弱自然的表達。與此同時，低成本定制也是關鍵之一。

另一方面，從廣度上看，應加強與語音合成密切相關的上下游技術環節，包括自然語言處理(NLP)中的自動角色劃分和文本級情感預測。李認為，在更遠的地方，還有許多由聲音驅動的場景，比如由聲音驅動的虛擬角色的面部或身體表情。

“總的來說，語音合成在有聲讀物和媒體中都有明顯的地位。真正的挑戰是探索增量情景。”肖碩表示，未來還將服務東南亞，以及俄羅斯、日本、韓國等非英語國家，進一步擴大海外業務范圍。

結論:語音合成技術具有很大的潛力

智能語音作為一項如日中天的技術，已經成為各行各業智能化進程中不可或缺的工具，尤其是語音交互和語音識別技術，已經滲透到人們生活和工作的各個方面。相比之下，語音合成技術確實正處于全面發展的階段。

但有聲讀物在語音合成電路上增長迅速。據市場研究公司艾媒咨詢(IMedia Consulting)稱，中國有聲讀物行業已從2016年的23.7億元增長到2019年的63.6億元，連續三年增長率超過30%，預計到2020年將達到約95億元。

反射聲的建立無疑為語音合成技術在更多領域的融合創新提供了一個值得借鑒的商業范例。這個創業團隊讓我們看到了語音合成技術更廣闊的想象力，從有聲讀物到人工智能新聞播報，從游戲到電影電視劇，從機器人到虛擬主播……似乎所有有視聽內容輸出的場景都有許多潛在的機會。

未來，隨著語音合成技術逐漸進入爆發式發展階段，我們期待它能為各行業帶來更多的創新突破和轉型。