為助力園區(qū)企業(yè)品牌宣傳、打造企業(yè)創(chuàng)新生態(tài)，中關(guān)村東升科技園推出原創(chuàng)欄目《企業(yè)家專訪》。以聚焦成長(zhǎng)+賦能品牌為主題，深入了解企業(yè)成長(zhǎng)歷程、角色定位、企業(yè)文化等，并深入挖掘企業(yè)需求，提升企業(yè)長(zhǎng)期發(fā)展競(jìng)爭(zhēng)力。

　　本期《企業(yè)家專訪》欄目特別邀請(qǐng)標(biāo)貝（北京）科技有限公司創(chuàng)始人CEO劉博，透過標(biāo)貝科技在智能語音領(lǐng)域的技術(shù)深研與發(fā)展路徑，洞見智能語音賽道未來之路。

　　標(biāo)貝科技創(chuàng)始人CEO劉博

　　中歐EMBA，對(duì)外經(jīng)貿(mào)大學(xué)碩士；連續(xù)創(chuàng)業(yè)者，曾創(chuàng)立蓋博資本管理有限公司，擔(dān)任創(chuàng)始人兼CEO；2016年，創(chuàng)立標(biāo)貝科技，負(fù)責(zé)整體戰(zhàn)略發(fā)展、運(yùn)營(yíng)管理及資本等。

　　語音作為語言的物質(zhì)載體和人類日常生活交流的重要信息載體，承載著豐富的語言內(nèi)涵，是人類進(jìn)行信息交流的重要傳遞通道。日常生活中，超過20%以上的交流都需要通過語音來完成。同一語音情境下，不同的語調(diào)、語氣和情緒的不同都會(huì)影響語義的傳達(dá)。隨著人工智能時(shí)代的到來，智能語音交互技術(shù)也成為了人機(jī)智能交流的重要載體。智能語音作為橋接人和機(jī)器語音交流的人工智能應(yīng)用，一方面承載著機(jī)器和人的交流，另一方面直達(dá)知識(shí)和邏輯。如何通過海量數(shù)據(jù)的快速學(xué)習(xí)，讓機(jī)器理解不同情緒、語調(diào)下的多人語音內(nèi)容和含義，通過機(jī)器生成更加自然的聲音體驗(yàn)，是語音交互始終致力解決的難題。

　　標(biāo)貝科技通過語音技術(shù)與數(shù)據(jù)，將情感與用戶的有機(jī)串聯(lián)，不斷拓展AI語音技術(shù)的應(yīng)用場(chǎng)景，圍繞生活場(chǎng)景、辦公效率、行業(yè)協(xié)同，打造完整的智能語音生態(tài)服務(wù)體系。

　　據(jù)了解，標(biāo)貝科技從2016年成立至今，基于先進(jìn)AI語音算法及海量數(shù)據(jù)規(guī)模優(yōu)勢(shì)，已推出多場(chǎng)景應(yīng)用的語音交互方案，包括通用場(chǎng)景的語音合成、語音識(shí)別，以及高音色TTS定制、聲音復(fù)刻、情感合成和聲音轉(zhuǎn)換等在內(nèi)的語音技術(shù)產(chǎn)品。為機(jī)器賦予生命力，能夠有溫度的、有情感的與用戶進(jìn)行交流，讓人機(jī)交互變得更簡(jiǎn)單、美好。

　　短短幾年時(shí)間，標(biāo)貝科技從默默無聞到科技黑馬，從悄無聲息到一鳴驚人，更是在2020年成功入選中國(guó)科創(chuàng)產(chǎn)業(yè)新銳TOP50榜單。讓我們回顧標(biāo)貝科技的成長(zhǎng)歷程，共同探索標(biāo)貝如何實(shí)現(xiàn)從0到1的技術(shù)夯實(shí)，以及從1到10的快速成長(zhǎng)，從而處于智能語音交互領(lǐng)域行業(yè)標(biāo)桿地位的探索升級(jí)之路。

　　第一階段

　　語音賽道數(shù)據(jù)為王

　　2016年，標(biāo)貝科技于中關(guān)村東升科技園成立。作為一家專注于智能語音交互和AI數(shù)據(jù)服務(wù)的人工智能公司，短短5年時(shí)間，標(biāo)貝科技已與華為、騰訊、阿里、字節(jié)跳動(dòng)、人民日?qǐng)?bào)、新華社等百余家知名企業(yè)及機(jī)構(gòu)客戶建立戰(zhàn)略合作，服務(wù)項(xiàng)目累計(jì)超過1000項(xiàng)，涵蓋有聲閱讀、智能客服、智慧金融、AI教育、泛娛樂、自動(dòng)駕駛、智慧城市等眾多領(lǐng)域。

　　作為語音交互技術(shù)領(lǐng)域的黑馬，標(biāo)貝除了技術(shù)的深研和專注外，創(chuàng)始人劉博對(duì)于智能語音賽道的專注和獨(dú)到的戰(zhàn)略布局，也是標(biāo)貝能在短時(shí)間內(nèi)脫穎而出、巨量增長(zhǎng)的關(guān)鍵。

　　回望整個(gè)標(biāo)貝科技發(fā)展進(jìn)程及技術(shù)路徑，劉博表示，標(biāo)貝創(chuàng)立之初便進(jìn)行了前瞻性的數(shù)據(jù)產(chǎn)業(yè)布局，基于3-5年的經(jīng)驗(yàn)及技術(shù)累積迭代，標(biāo)貝已經(jīng)建立了超過10萬小時(shí)的數(shù)據(jù)庫，這些數(shù)據(jù)累積也為下一階段的技術(shù)運(yùn)用打下了堅(jiān)實(shí)基礎(chǔ)，初步建立了標(biāo)貝的核心競(jìng)爭(zhēng)力。

　　專注、務(wù)實(shí)、創(chuàng)新，是標(biāo)貝一路積微成著，走向行業(yè)領(lǐng)先道路上不可或缺的因素。

　　第二階段

　　算法深耕創(chuàng)新語音合成

　　2017年，標(biāo)貝邁入第二發(fā)展階段，即從數(shù)據(jù)的累積到基于算法的深層探索。劉博表示，海量的數(shù)據(jù)積累，為垂直行業(yè)多元化場(chǎng)景的深度結(jié)合打下了堅(jiān)實(shí)的基礎(chǔ)?；诤Ａ空鎸?shí)、有溫度、有情感的語音積累，結(jié)合算法的優(yōu)化迭代，標(biāo)貝科技推出了可應(yīng)用于泛娛樂、智能家居、智能客服等多個(gè)行業(yè)的多語種，多音色，多情緒的語音交互解決方案，實(shí)現(xiàn)了無差別與真實(shí)交互的虛擬語音交互。

　　例如為金融領(lǐng)域提供的具有雙錄主播功能解決方案，通過提供無感知的虛擬數(shù)字人交互，在時(shí)效保證、服務(wù)標(biāo)準(zhǔn)、服務(wù)質(zhì)量、服務(wù)時(shí)長(zhǎng)等方面既保證了輸出的一致性，也減緩了企業(yè)的運(yùn)營(yíng)成本。

　　同時(shí)，標(biāo)貝科技融合了語音喚醒、語音識(shí)別、語音合成、語義理解和人臉識(shí)別等系列技術(shù)，通過移動(dòng)設(shè)備、智能大屏等終端展現(xiàn)形式，從多場(chǎng)景的實(shí)際需求出發(fā)，打造的人機(jī)交互解決方案-AI虛擬數(shù)字人，以高仿真服務(wù)和7*24小時(shí)無差別的服務(wù)輸出，滿足場(chǎng)館介紹、產(chǎn)品介紹、業(yè)務(wù)介紹使用者只需選擇想要了解的內(nèi)容進(jìn)行問詢或操縱，虛擬數(shù)字人便可以娓娓道來，效果不輸真人，實(shí)現(xiàn)用戶與虛擬數(shù)字人之間的面對(duì)面互動(dòng)交流、服務(wù)導(dǎo)覽、智能問答、業(yè)務(wù)咨詢等服務(wù)，以豐富的行業(yè)知識(shí)庫、靈活的配置管理、交互數(shù)據(jù)快速迭代更新，進(jìn)一步實(shí)現(xiàn)了企業(yè)的降本增效。

三星堆講解

　　語音合成方面，標(biāo)貝科技發(fā)展至今已歷經(jīng)三個(gè)階段，無論是在場(chǎng)景落地還是技術(shù)演化方面，均有巨大突破。

　　1.0階段注意力機(jī)制深度學(xué)習(xí)首次商用

　　為了提高語音合成的自然流暢度，標(biāo)貝科技的語音合成技術(shù)在聲學(xué)、韻律上采用了基于Attention機(jī)制的深度神經(jīng)網(wǎng)絡(luò)技術(shù)模型，充分利用文本數(shù)據(jù)，構(gòu)建前端模塊、選擇合適的聲碼器，降低運(yùn)算量，實(shí)現(xiàn)合成語音的發(fā)音自然、清晰、韻律感流暢，讓機(jī)器與人的互動(dòng)顯得更親近。

　　2.0階段音色擴(kuò)展個(gè)性化合成

　　為了滿足不同場(chǎng)景的需求，標(biāo)貝科技在音色和場(chǎng)景豐富度上持續(xù)發(fā)力?；诤Ａ空Z音數(shù)據(jù)的優(yōu)勢(shì)，對(duì)音色庫進(jìn)行充分?jǐn)U充，推出支持不同年齡、性別、以及語種的多類型音色的TTS2.0解決方案，并支持用戶個(gè)性化需求定制，滿足了多場(chǎng)景及多業(yè)務(wù)的需求。

　　語音技術(shù)方面，標(biāo)貝打造了支持聲音復(fù)刻、情感合成等個(gè)性化、差異化的語音技術(shù)服務(wù)。聲音復(fù)刻與情感合成是基于語音技術(shù)本身的創(chuàng)新型應(yīng)用。通過復(fù)刻聲音，為聲音注入豐富的情感，深度挖掘合成語音的個(gè)性化、定制化價(jià)值，更好的匹配有聲閱讀、AI教育等應(yīng)用場(chǎng)景。

　　3.0階段深度學(xué)習(xí)框架升級(jí)，更有表現(xiàn)力更自然的聲音

　　全新升級(jí)的TTS3.0技術(shù)采用全新的Transformer機(jī)制和GAN聲碼器，升級(jí)了全新的模型結(jié)構(gòu)的基礎(chǔ)上，依舊保持了對(duì)tts2.0舊模型的全部兼容，最大程度地保證無縫升級(jí)。同時(shí)，新系統(tǒng)使用了高維度的聲學(xué)信息，可以承載更多的聲音細(xì)節(jié)，顯著提升了現(xiàn)有發(fā)音效果。無論是自然講話、情緒講話、還是角色模仿，都大大提升了多場(chǎng)景下角色和情感表達(dá)判斷的精確性，同時(shí)保障了輸出音質(zhì)的穩(wěn)定、清晰、順暢，聲碼器采用GAN結(jié)構(gòu)，不但高效且真實(shí)的還原了波形，同時(shí)為合成聲音注入了真實(shí)質(zhì)感。

　　第三階段

　　需求出發(fā)打造AI語音生態(tài)戰(zhàn)略

　　提及智能語音的未來愿景及標(biāo)貝的發(fā)展，劉博的戰(zhàn)略格局則更為宏觀。在訪談中劉博透露：人工智能的終極目的是解決實(shí)際需求。任何單點(diǎn)產(chǎn)品都無法完全解決核心問題，標(biāo)貝更希望通過數(shù)據(jù)的積累，以及算法的深度融合，最終實(shí)現(xiàn)一套完整的解決方案，形成優(yōu)化、快速響應(yīng)的能力，從而打造標(biāo)貝獨(dú)特的競(jìng)爭(zhēng)優(yōu)勢(shì)和技術(shù)壁壘。近年來，高性能計(jì)算、信號(hào)處理、模式識(shí)別及聲學(xué)技術(shù)發(fā)展迅速，針對(duì)不同應(yīng)用需求而研究開發(fā)語音識(shí)別系統(tǒng)已成為可能，因此，語音識(shí)別技術(shù)在智慧辦公、智慧政務(wù)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等眾多領(lǐng)域得到了廣泛的推廣和應(yīng)用。同時(shí)，標(biāo)貝還在不斷拓展金融和泛娛樂版塊，通過三大場(chǎng)景的場(chǎng)景布局，打造未來戰(zhàn)略方向。

　　劉博補(bǔ)充說道，為進(jìn)一步提升技術(shù)產(chǎn)品服務(wù)能力及人工智能語音場(chǎng)景落地，滿足更多開發(fā)者和商業(yè)化客戶對(duì)于智能語音交互的需求，全效助力開發(fā)者構(gòu)建AI語音生態(tài)，標(biāo)貝科技在今年4月正式推出智能語音開放平臺(tái)。

　　目前，標(biāo)貝開放平臺(tái)提供的智能語音服務(wù)主要包括語音合成（TTS）與語音識(shí)別（ASR），開發(fā)者可以在平臺(tái)操作界面創(chuàng)建多個(gè)智能語音應(yīng)用，系統(tǒng)會(huì)為該應(yīng)用自動(dòng)匹配語音識(shí)別和語音合成服務(wù)。語音識(shí)別包括一句話識(shí)別、長(zhǎng)語音識(shí)別、錄音文件識(shí)別；語音合成可選擇在線合成、離線合成、長(zhǎng)文本合成三種，用戶可根據(jù)自身需求進(jìn)行用量、音色、并發(fā)等接入試用。通過快速的體驗(yàn)、測(cè)試，讓開發(fā)者和合作伙伴直接感受標(biāo)貝語音技術(shù)的能力，通過豐富的文本接入指導(dǎo)，以及便捷的支付方式，讓用戶可以一站式的購買接入標(biāo)貝的語音服務(wù)。

　　未來

　　屬于智能語音最好的時(shí)代即將到來

　　談及智能語音的未來發(fā)展，劉博給出了自己的理解和預(yù)測(cè)，其實(shí)從20-21年開始。我們可以發(fā)現(xiàn)整個(gè)語音市場(chǎng)已經(jīng)逐漸進(jìn)入快速爆發(fā)性的增長(zhǎng)階段。隨著人工智能、計(jì)算技術(shù)和信號(hào)處理技術(shù)的飛速發(fā)展，以及自然語言與計(jì)算機(jī)網(wǎng)絡(luò)的結(jié)合，語音信息智能處理作為人機(jī)交互的關(guān)鍵技術(shù)，已成為世界各國(guó)研究者廣泛關(guān)注的熱點(diǎn)問題之一。尤其是隨著數(shù)字化及5G時(shí)代的到來，人們迫切需要對(duì)具有多通道、多場(chǎng)景、多語言特征的海量語音信息技術(shù)進(jìn)行智能語音的深化研究與創(chuàng)新突破。

　　智能語音第一次帶來了不需要任何門檻的全人類的協(xié)作，人工智能的自我演化就此開始，目前智能語音在進(jìn)化的道路上，還需要突破語義理解這道門檻，一旦機(jī)器能真正用人類的方式進(jìn)行溝通，做出超越經(jīng)驗(yàn)的預(yù)判，才真正實(shí)現(xiàn)了所謂的智能。但我相信不會(huì)太久，屬于語音最好的時(shí)代，便會(huì)到來！

　　官網(wǎng)：https://www.data-baker.com/#/index