劉：我73年出生的，31歲。
作者：我們都聽(tīng)說(shuō)您在這行業(yè)是年輕有為，能簡(jiǎn)單地介紹一下您大概的創(chuàng )業(yè)經(jīng)歷嗎？
劉：我90年進(jìn)中國科技大學(xué)，學(xué)的是電子工程系，因為成績(jì)比較好，92年就進(jìn)了中國科技大學(xué)和國家計算機研究開(kāi)發(fā)中心聯(lián)合設立的人機語(yǔ)音通訊實(shí)驗室。95年本科畢業(yè)，保送上研究生，那時(shí)就開(kāi)始作為語(yǔ)音合成這個(gè)項目的負責人了。我在本科畢業(yè)論文階段，就在做一個(gè)語(yǔ)音合成的合成器，模擬人發(fā)音的整個(gè)過(guò)程，用數字信號技術(shù)來(lái)處理這個(gè)模型。這個(gè)是我自己獨立設計的，效果挺不錯，參加了863評比，當時(shí)引起了較大的轟動(dòng)。
95年做語(yǔ)音技術(shù)用參數合成，做到了一般的波型合成的音質(zhì)，效果還是很好的。我在那時(shí)就帶些人正式開(kāi)始承擔實(shí)驗室所參加的測試。我在科大本科時(shí)成績(jì)很好，在與數學(xué)、物理相關(guān)的學(xué)科中幾乎都是第一名，又是班長(cháng)，本來(lái)是想出國的，但因為對語(yǔ)音合成技術(shù)有濃厚的興趣，就留下來(lái)讀了研究生。98年研究生畢業(yè)，當時(shí)科學(xué)院系統最高的榮譽(yù)-中國科學(xué)院長(cháng)獎金特別獎給了我。
作者：當時(shí)這個(gè)獎金是發(fā)給研究生的？
劉：是的，是發(fā)給研究生里面學(xué)習和科研都做得最好的學(xué)生。后來(lái)98年參加國際會(huì )議時(shí)也是，在新加坡開(kāi)的首屆國際漢語(yǔ)語(yǔ)音研討會(huì )，我得了唯一學(xué)生最佳論文獎。
作者：那劉總在讀研究生的時(shí)候有沒(méi)有想過(guò)要出國去發(fā)展，據我所知，中科大的學(xué)生還是相對比較熱衷于出國深造的？
劉：我當時(shí)出國基礎很好，很多大學(xué)都要我去。可后來(lái)研究生畢業(yè)之所以會(huì )放棄出國，最主要還是看到了產(chǎn)業(yè)化的前景。如果要出國有兩個(gè)選擇，要么去美國幾個(gè)做語(yǔ)音比較好的大學(xué)，要么到東京大學(xué)，東京大學(xué)做語(yǔ)音是很棒的。無(wú)論去哪里其實(shí)都可能會(huì )跟我原來(lái)的實(shí)驗室形成競爭，這是讓我放心不下的一個(gè)很大的因素。第二個(gè)就是，科大當時(shí)那種開(kāi)放式的研發(fā)體系，不拘一格的研究團隊組合，可以把我們當時(shí)做了一半的想法更快地落實(shí)下去，因為我們在98年863評比時(shí)是第一名，有很好的評價(jià)，而且那時(shí)就明確地知道還有很大的余地在后面。第三就是產(chǎn)業(yè)化前景。我記得從96年開(kāi)始，863提倡'頂天立地'，'頂天'就是核心技術(shù)要做到國際領(lǐng)先，'立地'就是要立足于市場(chǎng)，能夠產(chǎn)業(yè)化。當時(shí)我們已經(jīng)開(kāi)始在對外開(kāi)展產(chǎn)業(yè)化合作了，當時(shí)到華為出差一個(gè)多星期，把我們的語(yǔ)音技術(shù)和他們的系統融合，有很大的感觸；98年給福建工商系統做查詢(xún)系統，在把技術(shù)產(chǎn)品產(chǎn)業(yè)化方面得到了很多啟發(fā)。
我原來(lái)想只做技術(shù)，對管理、財務(wù)、市場(chǎng)、銷(xiāo)售這些事情一點(diǎn)興趣也沒(méi)有。我當時(shí)的口號是'要把科大的語(yǔ)音實(shí)驗室做成中國的貝爾實(shí)驗室'，把科大一批非常優(yōu)秀的同學(xué)都留下來(lái)了。開(kāi)始只有我一個(gè)人，98年到99年留下了十幾個(gè)人，我做總工組建研發(fā)隊伍。那時(shí)科大BBS站上的六個(gè)版主在訊飛，包括黑客版版主、編程版、還有科大BBS站長(cháng)。我們的創(chuàng )業(yè)團隊，真的是留下了這么一幫很優(yōu)秀、很有沖勁、有激情的人。
到了98年底感覺(jué)到，一個(gè)新的過(guò)程在被大眾接受時(shí)需要一個(gè)很長(cháng)的過(guò)程，這個(gè)過(guò)程中如果你的產(chǎn)品方向確定不好就是問(wèn)題。
語(yǔ)言是人們溝通和獲取信息最自然便捷的手段，不管是教育、交通、銀行、電信等等，都能用到語(yǔ)音，如果你每一塊都去做，就象狗熊掰玉米一樣，每樣都沒(méi)有著(zhù)落。我們在語(yǔ)言學(xué)研發(fā)的進(jìn)展還是比較快，參加火炬計劃國家十年展，我們做的是'天音話(huà)王'，就是人和電腦對話(huà)，在曙光2000CPU、東軟醫療上的應用，都是非常典型的成果。感覺(jué)技術(shù)上做得是挺不錯，又拿了軟博會(huì )的金獎，但是產(chǎn)業(yè)化做的非常累，根本推不出來(lái)，到年底時(shí)連發(fā)工資的錢(qián)都沒(méi)有了。所以到1999年大家都說(shuō)你一定要出來(lái)挑頭，我們給自己干，我也覺(jué)得不這么做不行了。最主要是對產(chǎn)業(yè)本身的最前端性的看法你要有，我們提倡的科大訊飛走的道路是創(chuàng )新型的文化。也就是說(shuō)你要比用戶(hù)更了解這個(gè)技術(shù)下一步可能達到什么，哪些東西是有可能做到的；這些可能做到的東西中有哪些是用戶(hù)可能會(huì )接受的，是能夠打動(dòng)消費者的。所以實(shí)際上是開(kāi)發(fā)全新的市場(chǎng)，而不是在現有的市場(chǎng)上去增強。這個(gè)就是對技術(shù)趨勢的把握能力和對哪些技術(shù)能打動(dòng)消費者走向市場(chǎng)的把握能力，這兩塊結合起來(lái)是特別重要的。而結合起來(lái)以后，你教育市場(chǎng)需要花費巨大的時(shí)間和精力，另外在全新的產(chǎn)品研發(fā)過(guò)程中的不斷摸索和完善，使得你不可能同時(shí)做非常多的事情，一定要有很清晰的脈絡(luò )和戰略。那時(shí)我就感覺(jué)到，如果由不是非常懂行的人來(lái)領(lǐng)導，不論此人多聰明、多有想法，都是很難的。于是，我們就成立了自己的公司--科大訊飛。
到99年底選了三家投資方，三百萬(wàn)的公司就變成了估價(jià)五千萬(wàn)。
有錢(qián)以后首先是把國家863支持了這么多年的語(yǔ)言所、聲學(xué)所這兩塊并起來(lái)，請所里我們認為跟我們最有互補、做開(kāi)發(fā)最好的專(zhuān)家成立聯(lián)合實(shí)驗室。
這么做在當時(shí)也非常符合他們的要求。這兩個(gè)機構本來(lái)要自己做完整的系統，面向市場(chǎng)做銷(xiāo)售，很累。而且他們的研究生畢業(yè)都走了，98、99年微軟、IBM在中國設立研發(fā)中心，把這些機構里的跟語(yǔ)音相關(guān)的研究室、實(shí)驗室連鍋端走，人都挖走。而我們提供了一個(gè)安全的機制，讓他們能安心地從事他們所擅長(cháng)的研究，我們提供研究經(jīng)費，還可以派人協(xié)助他們從事的研究。從基礎上做了有效的整合，使得我們下一步的研發(fā)能夠更快。
2000年底剛融完資，而我們的收入很少，壓力真的很大。股東方面是要看效益的，希望我們能做些掙錢(qián)的事，我們頂住了，覺(jué)得要做訊飛該做的事情。那正是意氣風(fēng)發(fā)的時(shí)候，我們的人也不多，在安徽本地要做一些信息化建設的項目、系統集成就能掙錢(qián)，但我們當時(shí)沒(méi)做，覺(jué)得這不是一個(gè)方向。我們覺(jué)得關(guān)鍵是要有核心技術(shù)和核心產(chǎn)品的突破，我們就提出了'語(yǔ)音平臺戰略'。象Intel提供CPU，大家做各種服務(wù)器和各個(gè)領(lǐng)域的電腦一樣。我們提供語(yǔ)音平臺，讓各行業(yè)熟悉這些行業(yè)應用的、有開(kāi)發(fā)能力的廠(chǎng)商在他們的系統和產(chǎn)品里進(jìn)行推廣。
到目前為止，股權經(jīng)過(guò)了兩次比較大的變化，一次是99年底，一次是2001年6月份聯(lián)想、Intel的進(jìn)入。在這個(gè)過(guò)程中，我們始終確保了我們的創(chuàng )業(yè)團隊是第一大股東，不光在經(jīng)營(yíng)上是主導，在開(kāi)股東大會(huì )表決確定公司的方向時(shí)我們也是主導。2000年7月，語(yǔ)音平臺終于開(kāi)發(fā)出來(lái)了，在Intel在上海的實(shí)驗室進(jìn)行了測試和優(yōu)化，又通過(guò)了華為的測試。到2000年底，我們的合作伙伴有了50多家。"巨大中華"、Intel、聯(lián)想、上海貝爾阿爾卡特、東軟……全都進(jìn)來(lái)了，大家覺(jué)得我們做的東西跟別人不一樣。2000底我們開(kāi)始逐步扭虧為盈。
作者：那跟剛才提到的巨頭們合作，是否是完全把你們的語(yǔ)音平臺嵌入到他們的產(chǎn)品里面？
劉：對。當時(shí)有了50個(gè)開(kāi)發(fā)商，對我們的信心有很大的鼓舞。2001年6月時(shí)，開(kāi)發(fā)商有了大約100個(gè)了。那時(shí)正值全球網(wǎng)絡(luò )泡沫破滅，納斯達克股市大跌的時(shí)候。這時(shí)聯(lián)想、Intel和科技部火炬來(lái)投資，還有上海第一的民營(yíng)企業(yè)上海復興。在這個(gè)過(guò)程中，做為語(yǔ)音產(chǎn)業(yè)的領(lǐng)導者和拓荒者的雙重角色是我們始終堅持著(zhù)的原則。
作者：在您的眼里，其他做語(yǔ)音的企業(yè)，比起訊飛來(lái)說(shuō)是要小很多的嗎？
劉：是的。他們不論從公司規模、研發(fā)投入、市場(chǎng)應用都要小很多，只是在局部領(lǐng)域跟我們有一些競爭。我也并不希望這個(gè)產(chǎn)業(yè)中只有訊飛一家，還是希望能聽(tīng)到更多不同的聲音。
大家應該在廣闊的應用里百家爭鳴，百花齊放，形成一種良性的合作。國際上對語(yǔ)音行業(yè)是持續關(guān)注的，也是投入了很多精力的，但在中國市場(chǎng)沒(méi)有投入重兵是因為中國市場(chǎng)內有訊飛這樣不易戰勝的對手。目前訊飛在產(chǎn)業(yè)中的地位是確定了。在前五年中，我們的團隊發(fā)展到二百人，在中國科大、中科院聲學(xué)所、社科院語(yǔ)言所建立了三個(gè)聯(lián)合實(shí)驗室。這個(gè)團隊可以說(shuō)是歷經(jīng)了風(fēng)雨，同甘共苦，是非常好的團隊。
這幾年當中，我們從充滿(mǎn)夢(mèng)想變得理智而腳踏實(shí)地，在創(chuàng )業(yè)過(guò)程中得到磨煉很重要。公司成立之初，華為等IT巨頭正在大張旗鼓地招人。電子計算機領(lǐng)域的人全要，年薪起薪7－13萬(wàn)，而我們留下來(lái)的人月薪是1600元。所有的人在99年都簽了三年的勞動(dòng)合同和保密協(xié)議，沒(méi)有一個(gè)人提待遇提福利的。我本來(lái)在98年留下來(lái)時(shí)，是想試試看的，還保留了出國的機會(huì )。比如保送我上博士我不愿意，是自己考的，因為考上的博士隨時(shí)可以出國。后來(lái)沒(méi)有走，也有個(gè)很大原因就是因為這個(gè)團隊，因為這些兄弟。
作者：您在98年后馬上接著(zhù)讀博士，但當時(shí)還是用了很大的精力在語(yǔ)音研發(fā)和公司的運作上。是嗎？
劉：我讀博士時(shí)，我們第二梯隊的研發(fā)還沒(méi)有完全成長(cháng)起來(lái)，當時(shí)的關(guān)鍵技術(shù)開(kāi)發(fā)還是由我來(lái)參與的。從02年底到03年開(kāi)始，他們已經(jīng)能夠將研究承擔起來(lái)，現在我主要只是把握產(chǎn)品戰略，討論一下研究路線(xiàn)，具體的就不參與了。現在從事產(chǎn)業(yè)經(jīng)營(yíng)，時(shí)間和精力就不夠了。
作者：劉總，在語(yǔ)音合成的技術(shù)層面上好象有兩種不同的模式吧。是否能介紹一下？
劉：一種是參數合成，一種是波形拼接，兩種方法是曲線(xiàn)前進(jìn)的。參數合成就是模擬人的整個(gè)發(fā)音的生理過(guò)程，從腹部出來(lái)的氣流經(jīng)過(guò)聲帶的調整變成脈動(dòng)氣流，經(jīng)過(guò)聲道、牙齒和鼻變成聲音出來(lái)，這個(gè)過(guò)程可以用一個(gè)濾波器來(lái)模擬發(fā)音器官。前面肺部的氣流就可以有一個(gè)激勵源，就好象向一個(gè)管子里用鼓風(fēng)機不斷地鼓入不同的東西，管子變化出不同的形狀，聲音就出來(lái)了。語(yǔ)音很大的問(wèn)題是，同一個(gè)字的聲音在不同的語(yǔ)句里，不同的字詞排列，不同的節湊、情況下，發(fā)音都不盡相同。
要讓一個(gè)機器念出人的聲音來(lái)，就好象要蓋一個(gè)大樓，首先是要有一系列的規則，在當前的一句話(huà)里每一個(gè)字、每一個(gè)音節，它的聲調、時(shí)長(cháng)、能量的參數是什么樣，就好象大樓的設計圖紙一樣；
第二，你要有蓋樓的磚頭，最好是各種初定形狀，有些適合做柱子、有些適合做邊角；
第三，你要有磚刀，把它切成你圖紙中所需要的各種形狀，最后拼起來(lái)就蓋成大樓了。我們留的那些參數就相當于那些磚頭、原材料，經(jīng)過(guò)一種管子，變成聲音出來(lái)。使用這種方法，在參數中的協(xié)同發(fā)音比較好調節，聽(tīng)起來(lái)會(huì )比較流暢，它基于這種濾波器的模式，很多參數相互之間可以變得很平滑。但是它的缺點(diǎn)是，由參數生成出一個(gè)個(gè)的音節然后拼成的，與原始的音節相比總歸多少會(huì )在音質(zhì)上有一些差距。它的自然度比較好，但聽(tīng)來(lái)音質(zhì)上差一些，有點(diǎn)模糊。
波形拼接，就是從原始語(yǔ)音中把聲音取出來(lái)直接拼，在聲音剝離上做很小的調整，這種方法的好處是聽(tīng)起來(lái)每個(gè)音都很清楚，但可能會(huì )一字一頓的，自然度比較差。這兩個(gè)方法是可以融合的。最早做語(yǔ)音的首先是用波形拼接，94年中科院聲學(xué)所做得非常好，到95年我們提出了參數合成，得了第一。98年我們基于波形拼接有很多獨特的方法，在國際會(huì )議又拿了最高獎，跟第二名拉出了很大的差距。99年、2000年時(shí)，國際上又出現了大語(yǔ)量庫的方法，它就是一種波形拼接，但是它用統計的辦法從海量數據庫里去找。
我們的語(yǔ)音技術(shù)現在做到超過(guò)一般的講話(huà)人是沒(méi)問(wèn)題，可以達到接近播音員的水平。但是要讓它做得更靈活，比如說(shuō)能夠自動(dòng)地判斷語(yǔ)氣、語(yǔ)調的重點(diǎn)，判斷文章的結構，這個(gè)就要涉及到對人類(lèi)高級神經(jīng)活動(dòng)的生理解剖學(xué)，這個(gè)突破不了，我們很難做到完整意義上的突破，所以語(yǔ)音要做到跟真人一樣，這個(gè)配套學(xué)科的突破必須要有。但在此之前，我們做到的很多東西已經(jīng)可以使它非常棒了。我們將在今年年底，最遲明年1季度推出一個(gè)新的技術(shù)，你對著(zhù)我們的系統講幾分鐘話(huà)后，我們的系統可以模仿你講話(huà)，現在國家領(lǐng)導人也很重視。這個(gè)的關(guān)鍵技術(shù)我們在研究，包括摘要跟語(yǔ)言配套的進(jìn)展，我能夠把2萬(wàn)字的內容變成200字的摘要，你先看看有沒(méi)興趣再去看全文。語(yǔ)音技術(shù)的突破一定依賴(lài)于語(yǔ)言技術(shù)，這方面我們的進(jìn)展也很快。我們那三個(gè)聯(lián)合實(shí)驗室研究的是更前端性的，訊飛自己有很強的基礎研究中心，主要瞄準未來(lái)一、兩年中馬上將可能用到的東西，同時(shí)消化吸收這三個(gè)實(shí)驗室的東西。
作者：95、96年時(shí)，我就開(kāi)始從事CTI行業(yè)，那時(shí)就感覺(jué)到語(yǔ)音識別好象很快就能好了，現在又過(guò)去了近10年，好象還是當初那樣的感覺(jué)，沒(méi)有什么本質(zhì)的突破。您能不能再談?wù)務(wù)Z(yǔ)音識別方面的情況？
劉：語(yǔ)音識別和語(yǔ)音合成這兩個(gè)技術(shù)從關(guān)鍵技術(shù)的突破點(diǎn)上來(lái)說(shuō)有很多的共通的地方。語(yǔ)音合成只要能念出某一個(gè)標準、令人舒服的聲音就行了；如果做對某一個(gè)特定的人的語(yǔ)音識別比較容易做得好，但如果強調的是非特定人的、任意詞匯的、各種噪音環(huán)境下的，這個(gè)就難了。
語(yǔ)音識別從應用和技術(shù)上可以分為三種類(lèi)型，一種識別就是聲控――命令控制，你說(shuō)出命令，它完成操作。
第二，身份確認，在一些非高度保密場(chǎng)合，作為一種輔助手段，配合鑰匙的使用，現在也是很不錯了。
最難的是語(yǔ)音聽(tīng)寫(xiě)，你念完后屏幕上就出來(lái)了。現在的語(yǔ)音識別就象一個(gè)小孩子一樣，這個(gè)孩子學(xué)會(huì )了所有的漢字，知道讀音，那么給他一篇文章他能讀出來(lái)，但分詞斷句可能會(huì )有錯誤，但大概還是能聽(tīng)得懂。但是你讓他聽(tīng)寫(xiě)，特別是專(zhuān)業(yè)文章，他就會(huì )錯得亂七八糟。多音字、新詞匯等等，漢語(yǔ)中存在很多問(wèn)題。如果他只有耳朵和嘴巴，沒(méi)有大腦、知識，他沒(méi)法聽(tīng)寫(xiě)正常，這是第一個(gè)障礙。第二個(gè)障礙是語(yǔ)音聽(tīng)寫(xiě)本身的市場(chǎng)有問(wèn)題，導致這些企業(yè)或者研究機構并沒(méi)有花大力氣去投入。市場(chǎng)需求量不大，軟件盜版問(wèn)題，開(kāi)拓市場(chǎng)的費用，這些都使得大家對這方面的投入持保留態(tài)度。近幾年這項技術(shù)幾乎沒(méi)有什么進(jìn)步，最多就是在詞典庫、在針對特定領(lǐng)域的文本的語(yǔ)料的收集做得好一些。我認為語(yǔ)音識別技術(shù)下一步重點(diǎn)需要突破的是在聲控識別中智能的程度，包括節外詞的處理，和一句話(huà)中關(guān)鍵詞的提取。另外一個(gè)就是面對特定場(chǎng)合的噪音環(huán)境，比如汽車(chē)環(huán)境，或是在一些特定領(lǐng)域的噪音處理，應該作為語(yǔ)音產(chǎn)業(yè)下一步的重點(diǎn)。 作者：在國內做語(yǔ)音的廠(chǎng)商好象不是很多，全國一年總體的市場(chǎng)份額大約是在1個(gè)多億吧？
劉：我感覺(jué)是的。
