深度神经网络|“技术流”的小鹏终于开始玩声音了

严丝合缝的工业标准让生产效率和品控不断接近极限，同时也将一件件产品卡到了“千人一面”的地步。在充分享受工业化带来的高效便利之后，爱折腾的人类也开始进入下一个层次，想办法给冰冷的机器加入“人格”，并将其称为有温度的产品。
对交流和被理解的渴望也许早就写在了人类的基因里，所以我们会讲述神话，会寄情于物：在描写人类爱上没有实体的人工智能的电影《Her》中，寡姐的声音一度让男主角（以及观众）不能自拔。

文章插图
而在去年1024智能日发布全场景语音功能之后，小鹏汽车终于开始对声音本身下手了。

文章插图
更加精准的识别率、更快的反应速度，以及全场景连续对话、随时打断、双音区控制等，都是在功能性上的提升，其结果就是那个音调棱角分明转折机械感十足的小P能够更加全面和迅速地执行你的指令了——有时甚至快的让你猝不及防。
在堆了一年技术之后，小鹏汽车终于开始注重情感和使用体验，对小P进行了声音上的改造，颇有技术宅男终于觉醒的感觉。

文章插图
按照官方的说法，小P的新声音与常规的车载语音助手声音有着代际的差别。
“它不仅像人类声音般生动自然、充满生命力，还非常细腻动听，能表达更多人类情绪。这种直击心脏的沉浸感和临场感，让用户一听仿佛就能想象到她皮肤的质感。”
为了更加充分的证明这一点，小鹏还拿出了一些用户的评价。
【深度神经网络|“技术流”的小鹏终于开始玩声音了】车主一：就像初恋般的声音。
车主二：很有真实感，她就像就坐在副驾和我说话。
车主三：声音听着很舒服，情绪恰到好处，不会觉得腻。
你看，按照以往的经验，一个技术宅男是不可能这么“肉麻”的。
当你正打算沉浸于这些拥有“皮肤质感”的形容词时，他却又开始给你摆起了数据。

文章插图
语音质量评测指标MOS（Mean Opinion Score）是一项被国际普遍认可的语音质量评测方法，它可以判断一个机器声音多大程度像真实人声。满分为5分。新声音的MOS语音质量评测得分4.49，小P是目前微软MOS得分最高的车载语音助手。
不得不感叹一个企业的初始基因还真是强大。
一切都得益于 “全新一代超大规模在线神经网络引擎+小型离线拼接引擎”的技术组合。

文章插图
语音合成的方式有很多种，主流方法有1。单元拼接、2。合成器、3。基于深度神经网络合成。不同技术有不同的特点，但总体来说新一代技术会比上一代更加自动化，运算力更强，生成的声音更加逼真。
前两种方法会产生机械的嗡嗡声，或者跳音这种强烈不平衡感，用户能明显感受到：它并不像人。
第三种基于深度神经网络技术合成声音是近些年突破的新技术，该模型通过大量数据和算力打磨后，可以输出无限逼近真人的声音。在这项技术之上，小P新声音在网络良好时支持24K/16Bit的超高清采样，可输出HiFi级高保真音质，这是决定音质好坏最重要的两个指标。
相比之下，旧声音只有16K，与当前市面上大部分车载产品水平相当。新旧声音对比来听，会有非常明显的差距。
在现场，小鹏的工程师自信地说到，谁说丹拿音响只能用来听音乐？

深度神经网络|“技术流”的小鹏 终于开始玩声音了

深度神经网络|“技术流”的小鹏终于开始玩声音了