為助力園區(qū)企業(yè)品牌宣傳、打造企業(yè)創(chuàng)新生態(tài)，中關村東升科技園推出原創(chuàng)欄目《企業(yè)家專訪》。以“聚焦成長+賦能品牌”為主題，深入了解企業(yè)成長歷程、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)長期發(fā)展競爭力。
本期《企業(yè)家專訪》欄目特別邀請標貝（北京）科技有限公司創(chuàng)始人&CEO劉博，透過標貝科技在智能語音領域的技術深研與發(fā)展路徑，洞見智能語音賽道未來之路。
標貝科技創(chuàng)始人&CEO劉博
中歐EMBA，對外經(jīng)貿(mào)大學碩士；連續(xù)創(chuàng)業(yè)者，曾創(chuàng)立蓋博資本管理有限公司，擔任創(chuàng)始人兼CEO；2016年，創(chuàng)立標貝科技，負責整體戰(zhàn)略發(fā)展、運營管理及資本等。
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影響語義的傳達。隨著人工智能時代的到來，智能語音交互技術也成為了人機智能交流的重要載體。智能語音作為橋接人和機器語音交流的人工智能應用，一方面承載著機器和人的交流，另一方面直達知識和邏輯。如何通過海量數(shù)據(jù)的快速學習，讓機器理解不同情緒、語調(diào)下的多人語音內(nèi)容和含義，通過機器生成更加自然的聲音體驗，是語音交互始終致力解決的難題。
標貝科技通過語音技術與數(shù)據(jù)，將情感與用戶的有機串聯(lián)，不斷拓展AI語音技術的應用場景，圍繞生活場景、辦公效率、行業(yè)協(xié)同，打造完整的智能語音生態(tài)服務體系。
據(jù)了解，標貝科技從2016年成立至今，基于先進AI語音算法及海量數(shù)據(jù)規(guī)模優(yōu)勢，已推出多場景應用的語音交互方案，包括通用場景的語音合成、語音識別，以及高音色TTS定制、聲音復刻、情感合成和聲音轉(zhuǎn)換等在內(nèi)的語音技術產(chǎn)品。為機器賦予生命力，能夠有溫度的、有情感的與用戶進行交流，讓人機交互變得更簡單、美好。
短短幾年時間，標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“中國科創(chuàng)產(chǎn)業(yè)新銳TOP50”榜單。讓我們回顧標貝科技的成長歷程，共同探索標貝如何實現(xiàn)從0到1的技術夯實，以及從1到10的快速成長，從而處于智能語音交互領域行業(yè)標桿地位的探索升級之路。
第一階段
語音賽道數(shù)據(jù)為王
2016年，標貝科技于中關村東升科技園成立。作為一家專注于智能語音交互和AI數(shù)據(jù)服務的人工智能公司，短短5年時間，標貝科技已與華為、騰訊、阿里、字節(jié)跳動、人民日報、新華社等百余家知名企業(yè)及機構客戶建立戰(zhàn)略合作，服務項目累計超過1000項，涵蓋有聲閱讀、智能客服、智慧金融、AI教育、泛娛樂、自動駕駛、智慧城市等眾多領域。
作為語音交互技術領域的黑馬，標貝除了技術的深研和專注外，創(chuàng)始人劉博對于智能語音賽道的專注和獨到的戰(zhàn)略布局，也是標貝能在短時間內(nèi)脫穎而出、巨量增長的關鍵。
回望整個標貝科技發(fā)展進程及技術路徑，劉博表示，標貝創(chuàng)立之初便進行了前瞻性的數(shù)據(jù)產(chǎn)業(yè)布局，基于3-5年的經(jīng)驗及技術累積迭代，標貝已經(jīng)建立了超過10萬小時的數(shù)據(jù)庫，這些數(shù)據(jù)累積也為下一階段的技術運用打下了堅實基礎，初步建立了標貝的核心競爭力。
專注、務實、創(chuàng)新，是標貝一路積微成著，走向行業(yè)領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)多元化場景的深度結(jié)合打下了堅實的基礎�；诤Ａ空鎸崱⒂袦囟�、有情感的語音積累，結(jié)合算法的優(yōu)化迭代，標貝科技推出了可應用于泛娛樂、智能家居、智能客服等多個行業(yè)的多語種，多音色，多情緒的語音交互解決方案，實現(xiàn)了無差別與真實交互的“虛擬語音交互”。
例如為金融領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，在時效保證、服務標準、服務質(zhì)量、服務時長等方面既保證了輸出的一致性，也減緩了企業(yè)的運營成本。
同時，標貝科技融合了語音喚醒、語音識別、語音合成、語義理解和人臉識別等系列技術，通過移動設備、智能大屏等終端展現(xiàn)形式，從多場景的實際需求出發(fā)，打造的人機交互解決方案-AI虛擬數(shù)字人，以高仿真服務和7*24小時無差別的服務輸出，滿足場館介紹、產(chǎn)品介紹、業(yè)務介紹使用者只需選擇想要了解的內(nèi)容進行問詢或操縱，虛擬數(shù)字人便可以娓娓道來，效果不輸真人，實現(xiàn)用戶與虛擬數(shù)字人之間的“面對面”互動交流、服務導覽、智能問答、業(yè)務咨詢等服務，以豐富的行業(yè)知識庫、靈活的配置管理、交互數(shù)據(jù)快速迭代更新，進一步實現(xiàn)了企業(yè)的降本增效。
三星堆講解
語音合成方面，標貝科技發(fā)展至今已歷經(jīng)三個階段，無論是在場景落地還是技術演化方面，均有巨大突破。
1.0階段注意力機制深度學習首次商用
為了提高語音合成的自然流暢度，標貝科技的語音合成技術在聲學、韻律上采用了基于Attention機制的深度神經(jīng)網(wǎng)絡技術模型，充分利用文本數(shù)據(jù)，構建前端模塊、選擇合適的聲碼器，降低運算量，實現(xiàn)合成語音的發(fā)音自然、清晰、韻律感流暢，讓機器與人的互動顯得更親近。
2.0階段音色擴展個性化合成
為了滿足不同場景的需求，標貝科技在音色和場景豐富度上持續(xù)發(fā)力。基于海量語音數(shù)據(jù)的優(yōu)勢，對音色庫進行充分擴充，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，并支持用戶個性化需求定制，滿足了多場景及多業(yè)務的需求。
語音技術方面，標貝打造了支持聲音復刻、情感合成等個性化、差異化的語音技術服務。聲音復刻與情感合成是基于語音技術本身的創(chuàng)新型應用。通過復刻聲音，為聲音注入豐富的情感，深度挖掘合成語音的個性化、定制化價值，更好的匹配有聲閱讀、AI教育等應用場景。
3.0階段深度學習框架升級，更有表現(xiàn)力更自然的聲音
全新升級的TTS3.0技術采用全新的Transformer機制和GAN聲碼器，升級了全新的模型結(jié)構的基礎上，依舊保持了對tts2.0舊模型的全部兼容，最大程度地保證無縫升級。同時，新系統(tǒng)使用了高維度的聲學信息，可以承載更多的聲音細節(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，都大大提升了多場景下角色和情感表達判斷的精確性，同時保障了輸出音質(zhì)的穩(wěn)定、清晰、順暢，聲碼器采用GAN結(jié)構，不但高效且真實的還原了波形，同時為合成聲音注入了真實質(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際需求。任何單點產(chǎn)品都無法完全解決核心問題，標貝更希望通過數(shù)據(jù)的積累，以及算法的深度融合，最終實現(xiàn)一套完整的解決方案，形成優(yōu)化、快速響應的能力，從而打造標貝獨特的競爭優(yōu)勢和技術壁壘。”近年來，高性能計算、信號處理、模式識別及聲學技術發(fā)展迅速，針對不同應用需求而研究開發(fā)語音識別系統(tǒng)已成為可能，因此，語音識別技術在智慧辦公、智慧政務、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等眾多領域得到了廣泛的推廣和應用。同時，標貝還在不斷拓展金融和泛娛樂版塊，通過三大場景的場景布局，打造未來戰(zhàn)略方向。
劉博補充說道，為進一步提升技術產(chǎn)品服務能力及人工智能語音場景落地，滿足更多開發(fā)者和商業(yè)化客戶對于智能語音交互的需求，全效助力開發(fā)者構建AI語音生態(tài)，標貝科技在今年4月正式推出智能語音開放平臺。
目前，標貝開放平臺提供的智能語音服務主要包括語音合成（TTS）與語音識別（ASR），開發(fā)者可以在平臺操作界面創(chuàng)建多個智能語音應用，系統(tǒng)會為該應用自動匹配語音識別和語音合成服務。語音識別包括一句話識別、長語音識別、錄音文件識別；語音合成可選擇在線合成、離線合成、長文本合成三種，用戶可根據(jù)自身需求進行用量、音色、并發(fā)等接入試用。通過快速的體驗、測試，讓開發(fā)者和合作伙伴直接感受標貝語音技術的能力，通過豐富的文本接入指導，以及便捷的支付方式，讓用戶可以一站式的購買接入標貝的語音服務。
未來
屬于智能語音最好的時代即將到來
談及智能語音的未來發(fā)展，劉博給出了自己的理解和預測，“其實從20-21年開始。我們可以發(fā)現(xiàn)整個語音市場已經(jīng)逐漸進入快速爆發(fā)性的增長階段。”隨著人工智能、計算技術和信號處理技術的飛速發(fā)展，以及自然語言與計算機網(wǎng)絡的結(jié)合，語音信息智能處理作為人機交互的關鍵技術，已成為世界各國研究者廣泛關注的熱點問題之一。尤其是隨著數(shù)字化及5G時代的到來，人們迫切需要對具有多通道、多場景、多語言特征的海量語音信息技術進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，目前智能語音在進化的道路上，還需要突破語義理解這道門檻，一旦機器能真正用人類的方式進行溝通，做出超越經(jīng)驗的預判，才真正實現(xiàn)了所謂的“智能”。但我相信不會太久，屬于語音最好的時代，便會到來！”
官網(wǎng)：https://www.data-baker.com/#/index
