自從2016年Alpha Go戰勝李世石，人類(lèi)好像就跑步進(jìn)入了智能時(shí)代。

　　就在當年，《浪潮之巔》的作者吳軍又出版了一本書(shū)，就叫《智能時(shí)代》。不過(guò)，值得一提的是，這本書(shū)有個(gè)副標題叫“大數據與智能革命重新定義未來(lái)”。

　　那么，智能時(shí)代跟FreeSWITCH什么關(guān)系呢？嚴格來(lái)說(shuō)，其實(shí)沒(méi)什么關(guān)系。你看，我今天又標題黨了。

　　FreeSWITCH是一個(gè)軟交換系統，或者更科普一點(diǎn)說(shuō)就是個(gè)電話(huà)系統。雖然在智能手機時(shí)代，更多的人都在使用互聯(lián)網(wǎng)，上微信，但電話(huà)，永遠是更方便更直接的交流方式。而FreeSWITCH里，跟AI搭邊的，就是ASR和TTS。

　　FreeSWITCH很早的版本就有ASR和TTS接口。是的，FreeSWITCH本身其實(shí)并不做ASR和TTS。

　　那么，什么是ASR和TTS？

　　ASR的全稱(chēng)是Automatic Speech Recognition，即自動(dòng)語(yǔ)音識別。TTS的全稱(chēng)是Text To Speech，即文本到語(yǔ)音的轉換。可以看出，它們是相對的，說(shuō)得再土一點(diǎn)就是「語(yǔ)音轉文字」和「文字轉語(yǔ)音」。

　　然而，ASR和TTS本來(lái)跟人工智能也沒(méi)有關(guān)系。但是，在智能時(shí)代，它們就有了關(guān)系。我們先來(lái)看TTS。

　　據說(shuō)早在17世紀就有法國人研發(fā)機械式的說(shuō)話(huà)裝置。直到19世紀，貝爾實(shí)驗室對語(yǔ)音合成技術(shù)的研究，才開(kāi)啟年代語(yǔ)音合成技術(shù)的發(fā)展。1939年，貝爾實(shí)驗室制作出第一個(gè)電子語(yǔ)音合成器VODER。是一種利用共振峰原理所制作的合成器。 1960年，瑞典語(yǔ)言學(xué)家G. Fant則提出利用線(xiàn)性預測編碼技術(shù)（LPC）來(lái)作為語(yǔ)音合成分析技術(shù)，并推動(dòng)了日后的發(fā)展。后來(lái)1980年代Moulines E和Charpentier F提出新的語(yǔ)音合成演算法PSOLA，此技術(shù)可以合成比較自然的語(yǔ)音。

　　偉大的物理學(xué)家與宇宙學(xué)家霍金離開(kāi)我們了，但他的發(fā)音（用語(yǔ)音合成技術(shù)實(shí)現的）卻永遠留在了我們的腦子里。霍金21歲時(shí)患上肌肉萎縮性側索硬化癥（盧伽雷氏癥），全身癱瘓，不能言語(yǔ)。

　　劍橋精益通訊公司（Cambridge Adaptive Communication）」的David Mason 幫他在電動(dòng)輪椅子上裝了一款語(yǔ)音合成器，據說(shuō)是由加州電腦專(zhuān)家花托茲（Walt Woltosz）于1985年幫他研發(fā)的。發(fā)音很有機器人的感覺(jué)，而且還帶有美國口音。

　　TTS的大力發(fā)展還是在20世紀90年代，隨著(zhù)計算機計算和存儲能力的大幅提升，通過(guò)使用大語(yǔ)料庫和波形拼接方法，可以合成高質(zhì)量的人聲。到了21世紀，語(yǔ)音合成技術(shù)更是飛速發(fā)展，音色和情感的加入，使合成的語(yǔ)音更加自然和有個(gè)性。

　　目前，最高水準的TTS應該是谷歌的Tacotron 2了：

　　https://research.googleblog.com/2017/12/tacotron-2-generating-human-like-speech.html

　　https://www.androidpolice.com/2017/12/28/googles-new-text-speech-system-sounds-convincingly-human/

　　嗯，我聽(tīng)了一直，確實(shí)難以分辨是否是機器還是真人發(fā)音了。

　　tacotron2

　　來(lái)自FreeSWITCH中文社區

　　00:0000:07

　　由于每篇文章只能放一個(gè)語(yǔ)音，因此，我將兩段語(yǔ)音連在一起了。你能分辨出哪段是真人，哪是機器嗎？

　　另外，上面我還附加了一段中文的Wavenet產(chǎn)生的語(yǔ)音。Tacotron 2應該也是基于Wavenet技術(shù)實(shí)現的。

　　再說(shuō)ASR。ASR是人機交互很關(guān)鍵的一環(huán)。一直以來(lái)，ASR只是一個(gè)夢(mèng)想和玩具，直到蘋(píng)果手機上Siri的出現，才算真正進(jìn)入了千家萬(wàn)戶(hù)。

　　早在計算機發(fā)明之前，自動(dòng)語(yǔ)音識別的設想就已經(jīng)被提上了議事日程，早期的聲碼器可被視作語(yǔ)音識別及合成的雛形。而1920年代生產(chǎn)的"Radio Rex"玩具狗可能是最早的語(yǔ)音識別器，當這只狗的名字被呼喚的時(shí)候，它能夠從底座上彈出來(lái)[2]。最早的基于電子計算機的語(yǔ)音識別系統是由AT&T貝爾實(shí)驗室開(kāi)發(fā)的Audrey語(yǔ)音識別系統，它能夠識別10個(gè)英文數字。其識別方法是跟蹤語(yǔ)音中的共振峰。該系統得到了98%的正確率。[3]。到1950年代末，倫敦學(xué)院（Colledge of London）的Denes已經(jīng)將語(yǔ)法概率加入語(yǔ)音識別中。

　　1960年代，人工神經(jīng)網(wǎng)絡(luò )被引入了語(yǔ)音識別。這一時(shí)代的兩大突破是線(xiàn)性預測編碼Linear Predictive Coding （LPC）， 及動(dòng)態(tài)時(shí)間規整Dynamic Time Warp技術(shù)。

　　語(yǔ)音識別技術(shù)的最重大突破是隱含馬爾科夫模型Hidden Markov Model的應用。從Baum提出相關(guān)數學(xué)推理，經(jīng)過(guò)Rabiner等人的研究，卡內基梅隆大學(xué)的李開(kāi)復最終實(shí)現了第一個(gè)基于隱馬爾科夫模型的大詞匯量語(yǔ)音識別系統Sphinx。此后嚴格來(lái)說(shuō)語(yǔ)音識別技術(shù)并沒(méi)有脫離HMM框架。

　　說(shuō)到卡內基梅隆大學(xué)，確實(shí)對TTS和ASR的貢獻很大。FreeSWITCH內部的兩個(gè)模塊`mod_flite`（TTS）和`mod_pockerspinx`（ASR）底層庫就都出自于這個(gè)大學(xué)的研究。

　　OK，好像終于回到我們的主題了。時(shí)間可以抹平一切。自從Siri出現后，好像市面上一下子出了一堆令人眼花燎亂的ASR產(chǎn)品。它們有一個(gè)共同的特點(diǎn)：都是出現在智能時(shí)代。

　　隨著(zhù)「大數據」的不斷積累，「深度學(xué)習」和「神經(jīng)網(wǎng)絡(luò )」的不斷進(jìn)步，更「聰明」的ASR是歷史進(jìn)步的必然結果。

　　當然，FreeSWITCH并不僅僅能合成和識別語(yǔ)音，什么人臉啊，人民幣啊，統統都能識別。還記得那篇「如何優(yōu)雅地在夏威夷海灘上寫(xiě)代碼」嗎？

　　嗯，最后回到我們的主題。我們的工程師閑得腚疼，為每種提供在線(xiàn)語(yǔ)音API的服務(wù)寫(xiě)了一個(gè)ASR及（或）TTS接口的模塊。看到語(yǔ)音識別需要VAD（Voice　Activity Detection，嗯，比較低級的功能，就是檢測你是不是在說(shuō)話(huà)），就連夜寫(xiě)了一個(gè)VAD庫。我跟他們說(shuō)了，寫(xiě)歸寫(xiě)，如果賣(mài)不出去，估計下個(gè)月工資要給他們發(fā)西北風(fēng)了。

　　好在，萬(wàn)眾期待的XSWITCH平臺也即將對外發(fā)布了。很抱歉讓很多朋友等了一年，但這次，我們有點(diǎn)認真了。

　　愚人節都要過(guò)去了，真相還會(huì )遠嗎？

　　點(diǎn)擊：https://jinshuju.net/f/RO2b3l ；填表，獲取內測名額和相關(guān)細節（包括ASR和TTS的）。由于我們的「云」平臺現在還不怎么「智能」，實(shí)際上每加一個(gè)賬號我們都是手工操作的，誰(shuí)來(lái)了都得排隊……