摘要：目的：文章全面系統(tǒng)地研究智能語音技術(shù)在新聞播報、廣播主持和電影配音等典型播音場景中的技術(shù)實現(xiàn)路徑，評估其對傳統(tǒng)播音模式產(chǎn)生的革新效應(yīng)，并基于技術(shù)演進(jìn)規(guī)律，預(yù)判智能語音技術(shù)在推動未來播音模式變革中的潛力和前景。方法：主要采用文獻(xiàn)分析法，梳理近五年來智能語音技術(shù)在新聞自動播報、虛擬主持人生成、智能電影配音等場景中的應(yīng)用案例，細(xì)致考察語音識別、語音合成、語音轉(zhuǎn)換等智能語音技術(shù)模塊的算法架構(gòu)、實現(xiàn)原理、應(yīng)用效果等，全面了解技術(shù)實現(xiàn)流程。同時，調(diào)查主流商業(yè)化智能播音系統(tǒng)和產(chǎn)品，評估技術(shù)應(yīng)用的實際成效。結(jié)果：研究發(fā)現(xiàn)，集成深度神經(jīng)網(wǎng)絡(luò)的語音分析生成技術(shù)可以端到端地自動完成播音文本建設(shè)、語音處理、效果控制等任務(wù)，已在多個企業(yè)的自動新聞播報、虛擬主持人生成、智能電影配音等場景中落地。這些智能語音驅(qū)動的播音應(yīng)用在商業(yè)系統(tǒng)中展現(xiàn)出較高的自動化生成效率和高質(zhì)量輸出能力，達(dá)到或超越人工播音的水平。結(jié)論：在微觀上，智能語音技術(shù)正重構(gòu)和革新新聞編播、節(jié)目主持、影視配音等傳統(tǒng)播音模式，并驅(qū)動這一領(lǐng)域朝著智能化和內(nèi)容個性化演化；在宏觀上，智能語音播音技術(shù)保證了自身應(yīng)用空間和潛力的持續(xù)擴(kuò)大，將推動互聯(lián)網(wǎng)時代新型智能化、專業(yè)化和泛在化的播音產(chǎn)業(yè)加速形成。

關(guān)鍵詞：智能語音技術(shù)；播音；應(yīng)用；前景

中圖分類號：G222.2；TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1004-9436（2024）09-0-03

0 引言

近年來，語音識別和語音合成等智能語音核心技術(shù)取得重大突破，其轉(zhuǎn)化能力、生成質(zhì)量和執(zhí)行效率大幅提升。智能語音技術(shù)得以在新聞播報、廣播主持和電影配音等傳統(tǒng)播音領(lǐng)域中廣泛運用，以實現(xiàn)更高水平的自動化和智能化。這些技術(shù)通過自動化分析語音內(nèi)容、生成語音輸出，實現(xiàn)對各類播音模式的重構(gòu)和升級。隨著支持智能播音的核心語音算法和技術(shù)的持續(xù)發(fā)展，智能語音技術(shù)在推動播音模式實現(xiàn)更高水平的智能化、個性化和人機(jī)交互方面，還蘊藏著巨大的潛力。

1 智能語音技術(shù)概述

智能語音技術(shù)是人工智能與語音技術(shù)的融合，主要包括語音識別技術(shù)和語音合成技術(shù)。語音識別技術(shù)是通過計算機(jī)將語音信號轉(zhuǎn)化為相應(yīng)文字或指令的技術(shù)；語音合成技術(shù)則是通過計算機(jī)將文字信號轉(zhuǎn)化成人類可聽懂的語音信號。

1.1 語音識別技術(shù)概述及發(fā)展現(xiàn)狀

語音識別技術(shù)的主要方法有聲學(xué)匹配法、模式識別法和語音理解法。其中，基于深度學(xué)習(xí)的端到端語音識別模型近年來發(fā)展最為迅速。這類模型可以直接輸入語音進(jìn)行識別，無須明確的音素提取、音節(jié)切分等中間處理環(huán)節(jié)［1］。典型的端到端模型包括連接主義長短時記憶序列轉(zhuǎn)錄網(wǎng)絡(luò)（CLDNN）、注意力編碼器解碼器（AED）模型等。語音合成技術(shù)主要包括連接主義語音合成和統(tǒng)計參數(shù)語音合成。連接主義方法根據(jù)人工設(shè)計的語音生成規(guī)則直接進(jìn)行語音合成；統(tǒng)計參數(shù)語音合成則是通過機(jī)器學(xué)習(xí)方法從大量真實語音中學(xué)習(xí)語音的參數(shù)統(tǒng)計模型，根據(jù)這些模型合成語音信號。

1.2 語音轉(zhuǎn)換技術(shù)概述及應(yīng)用

智能語音技術(shù)中還包含語音轉(zhuǎn)換技術(shù)。語音轉(zhuǎn)換技術(shù)可以在不改變語音含義的前提下，轉(zhuǎn)換語音的語調(diào)、語速、音高、音色等語音特征。這是通過語音編碼、參數(shù)提取和語音解碼完成的［2］。這種轉(zhuǎn)換功能在播音領(lǐng)域得到廣泛應(yīng)用。一些新聞播報系統(tǒng)提供多種可切換的播音語氣；智能配音系統(tǒng)也可以通過語音轉(zhuǎn)換技術(shù)，快速調(diào)整電影人物的語音效果，無須重新配音。

語音轉(zhuǎn)換技術(shù)通過分離語音中的內(nèi)容信息和風(fēng)格信息，實現(xiàn)語音內(nèi)容與語音表現(xiàn)的分離與重組，這也是語音識別、語音合成和語音轉(zhuǎn)換技術(shù)有機(jī)結(jié)合的體現(xiàn)。隨著相關(guān)技術(shù)不斷成熟，語音轉(zhuǎn)換技術(shù)將在豐富播音內(nèi)容生產(chǎn)方面發(fā)揮更大作用。

未來隨著算法和算力的持續(xù)進(jìn)步，智能語音技術(shù)將獲得更廣闊的應(yīng)用前景。

2 智能語音技術(shù)在播音領(lǐng)域中的應(yīng)用

2.1 新聞播報

新聞播報是播音領(lǐng)域的重要組成部分。傳統(tǒng)的新聞播報需要記者編寫新聞稿，然后由播音員朗讀和錄音。而智能語音技術(shù)的應(yīng)用實現(xiàn)了新聞播報的自動化生成。具體來說，新聞智能播報系統(tǒng)首先需要自動文本生成模塊，可以實時從網(wǎng)絡(luò)新聞、社交媒體等抓取相關(guān)數(shù)據(jù)，利用自然語言生成算法自動生成適合播報的新聞文本［3］。系統(tǒng)中還需要集成語音合成模塊，其包含新聞播報所需要的專業(yè)播音語音數(shù)據(jù)庫，可以對自動生成的文本進(jìn)行情感豐富的播報語音的合成。

當(dāng)前，智能語音新聞播報技術(shù)已經(jīng)得到商業(yè)化應(yīng)用，如字節(jié)跳動的智能語音播報器、螞蟻科技的智能新聞播音機(jī)器人等。隨著支持新聞播報的語音合成和文本生成算法不斷優(yōu)化，可以預(yù)見，智能化新聞播報將進(jìn)一步發(fā)展，為用戶提供更加高質(zhì)量和個性化的新聞播報服務(wù)。

2.2 廣播節(jié)目主持

虛擬主持人系統(tǒng)的語音合成技術(shù)核心在于建立個性化的語音模型。具體做法是，首先收集專業(yè)播音主持人的語音錄音樣本，樣本中包含豐富的語調(diào)語氣特征［4］。然后，利用深度神經(jīng)網(wǎng)絡(luò)中的語音克隆技術(shù)，將主持人的語音特征提取編碼，建立特征參數(shù)矩陣，并在此基礎(chǔ)上結(jié)合文本情感分析算法，識別輸入文本所包含的情感成分。最后綜合語音特征矩陣和文本情感參數(shù)，使用聲碼器合成涵蓋主持人風(fēng)格的語音。

合成語音在語言風(fēng)格和表達(dá)方式上能夠高度仿真真人播音。目前，這種個性化虛擬主持人技術(shù)已經(jīng)服務(wù)于多家音樂電臺，承擔(dān)部分音樂節(jié)目和曲目解說的主持工作。與預(yù)設(shè)音庫的語音合成相比，其語音更豐富、更有感染力，節(jié)目效果顯著增強(qiáng)。未來，該項技術(shù)將推動更多類型的虛擬主持人問世，實現(xiàn)人機(jī)混搭播音，全面推進(jìn)廣播節(jié)目的智能化升級。

2.3 語音配音

智能語音配音系統(tǒng)通過建立神經(jīng)網(wǎng)絡(luò)語音合成模型，可以學(xué)習(xí)和模擬專業(yè)人類配音演員的語音特征，包括音調(diào)、音色、語速、語氣等。在接收影視作品的視頻圖像幀后，系統(tǒng)利用計算機(jī)視覺算法捕捉和分析畫面中人物的唇形動作變化、面部微表情等視覺信息，然后綜合語音模型與視頻圖像內(nèi)容，動態(tài)生成與人物唇形動作同步、情感表達(dá)貼合自然的配音音頻序列。

相比傳統(tǒng)配音流程，智能語音配音實現(xiàn)了過程的全自動化，無須開展人工詞條切分、時間軸預(yù)標(biāo)注等煩瑣工作［5］。此外，系統(tǒng)合成的配音可精確匹配人物的語言內(nèi)容、語氣語調(diào)乃至最細(xì)微的表情變化，最終獲得更加逼真流暢的配音效果。隨著相關(guān)核心技術(shù)持續(xù)升級，智能語音配音有望被應(yīng)用到更多類型的影視制作中，真正實現(xiàn)配音過程自動化，極大地提升制作效率。

3 智能語音技術(shù)對播音領(lǐng)域的影響

3.1 提高播音質(zhì)量

智能語音技術(shù)可以實現(xiàn)更加逼真、豐富的語音合成效果。通過深度學(xué)習(xí)算法，智能語音系統(tǒng)可以分析大量人類語音數(shù)據(jù)，建立包含聲音特質(zhì)的數(shù)字化語音模型。這些模型可以高度還原人聲的音質(zhì)音色，并動態(tài)調(diào)整音高語調(diào)，合成富有情感表現(xiàn)力的語音輸出，極大地增強(qiáng)播音的感染力。

智能語音技術(shù)具有更強(qiáng)的內(nèi)容創(chuàng)作能力。通過自然語言生成和語義分析技術(shù)，智能播音系統(tǒng)可以自動組織結(jié)構(gòu)合理的播音語言內(nèi)容。同時還可以根據(jù)場景需要，輸出不同語域風(fēng)格的語音，進(jìn)一步豐富播音內(nèi)容的表達(dá)手段。

智能語音技術(shù)實現(xiàn)了內(nèi)容與表現(xiàn)的深度融合。語音內(nèi)容生成和語音合成技術(shù)的有機(jī)結(jié)合，使最終播音的語調(diào)語氣等可根據(jù)文本內(nèi)容實時調(diào)整，實現(xiàn)更加精確、通透的內(nèi)容傳達(dá)，顯著提升播音質(zhì)量和體驗。

3.2 提升播音效率

智能語音技術(shù)的應(yīng)用推動了播音生產(chǎn)全流程的智能化升級和優(yōu)化，極大地提升播音效率。在內(nèi)容生成層面，智能文本構(gòu)建算法通過深度學(xué)習(xí)分析海量數(shù)據(jù)，實時生成格式規(guī)范、條理清晰的播音文本，降低了對效率低下的人工編纂的依賴度。在語音轉(zhuǎn)換層面，智能語音合成系統(tǒng)集成大規(guī)模人聲數(shù)據(jù)庫和先進(jìn)的聲學(xué)模型算法，直接輸入文本即可在幾秒內(nèi)輸出標(biāo)準(zhǔn)播音式的語音朗讀版本，無須播音員逐字錄音。此外，該系統(tǒng)還可以根據(jù)文本語義，自動添加豐富的語調(diào)語氣元素，實現(xiàn)精確的語義傳達(dá)。在服務(wù)體驗層面，系統(tǒng)通過分析歷史數(shù)據(jù)，構(gòu)建用戶口味模型，實現(xiàn)個性化推薦，以滿足不同用戶的偏好需求。

3.3 用戶個性化推薦

分析用戶的歷史數(shù)據(jù)，包括其點播收聽的新聞類別、偏好的音頻內(nèi)容風(fēng)格、常設(shè)的語音播放速度等，從而建立用戶的個性化興趣模型。當(dāng)用戶再次使用該播音系統(tǒng)時，后臺可以匹配用戶模型與所有候選內(nèi)容，按相似度排序，為用戶推薦可能感興趣的新聞或音頻信息。同時，在語音合成輸出層面，也可以根據(jù)用戶的語速語調(diào)參數(shù)設(shè)定，制作個性化的播音語音版本。

這種針對個體差異的精準(zhǔn)推薦和個性化表達(dá)，極大地提升了播音內(nèi)容的契合度，大幅提升用戶的滿意度。這也使商業(yè)化的智能播音平臺可以持續(xù)吸引用戶群體，提高內(nèi)容消費流量?？傮w上，用戶個性化推薦是智能技術(shù)賦能下的播音系統(tǒng)實現(xiàn)差異化演進(jìn)、滿足群體碎片化需求的重要體現(xiàn)。

4 智能語音技術(shù)在播音領(lǐng)域的發(fā)展前景

4.1 智能新聞播報繼續(xù)發(fā)展

智能新聞播報已經(jīng)成為新聞生產(chǎn)的重要組成部分，未來其將持續(xù)升級，更加自動化和智能化，具體應(yīng)用潛力體現(xiàn)在以下幾方面。

第一，文本生成能力不斷增強(qiáng)。系統(tǒng)通過深入分析海量、多樣化的文本、音頻數(shù)據(jù)，訓(xùn)練出更強(qiáng)大的語言模型，可以高質(zhì)量生成豐富多樣的新聞文本，涵蓋更多題材、更寬領(lǐng)域，同時滿足用戶對新聞題材、表達(dá)方式的差異化偏好需求。

第二，語音合成質(zhì)量持續(xù)提升。隨著更高效的神經(jīng)聲碼器和更龐大的人聲數(shù)據(jù)庫建設(shè)，新聞播報的語音表現(xiàn)力將不斷增強(qiáng)，可以合成更豐富真實的人音，精確傳遞細(xì)微語氣和情感。不同播音風(fēng)格也可快速切換，為個性化新聞提供高質(zhì)量語音支持。統(tǒng)計參數(shù)語音合成可以更好地模擬人聲的細(xì)微變化與情感表達(dá)，生成更加豐富、逼真的語音效果，其是當(dāng)前發(fā)展較快的主流語音合成方法。

第三，進(jìn)行實時交互式新聞播報。未來新聞播報系統(tǒng)不僅可以主動推送新聞，還將啟用交互功能，根據(jù)用戶實時提問或指令，通過自然語言理解和生成技術(shù)，進(jìn)行準(zhǔn)確回答或繼續(xù)播報，從而大幅提升用戶體驗。

4.2 虛擬主持人應(yīng)用場景擴(kuò)大

隨著語音合成技術(shù)的飛速進(jìn)步，智能虛擬主持人生成的語音將更加豐富逼真，這必將推動其跨越更多應(yīng)用場景和領(lǐng)域。

虛擬主持人有望承擔(dān)起實時個性化的新聞解說任務(wù)［6］。系統(tǒng)可根據(jù)用戶指定的新聞話題、播報語速、語調(diào)等參數(shù)實時調(diào)整，輸出符合個性化要求的語音新聞。這超越了固定模式的新聞播報，實現(xiàn)差異化需求的精準(zhǔn)滿足。

依托更大規(guī)模的語音樣本數(shù)據(jù)集和持續(xù)升級的聲學(xué)建模算法，虛擬主持人生成的語音效果的穩(wěn)定性將大幅提升。這有利于其承接音樂電臺等廣播頻道中時長較長的節(jié)目主持工作，全時段地替代真人主持播音。

綜上所述，智能語音技術(shù)的推動力與海量數(shù)據(jù)的縱深培育，將助力虛擬主持人實現(xiàn)跨場景、大規(guī)模的商業(yè)化應(yīng)用。有理由期待虛擬主持人快速成長為超越真人主持的新型內(nèi)容生產(chǎn)主力。

4.3 語音配音逼真度提高

智能語音配音技術(shù)快速發(fā)展，其生成的語音效果愈發(fā)逼真。支撐這一進(jìn)程的，是多項核心技術(shù)的深化提升。

通過引入卷積神經(jīng)網(wǎng)絡(luò)等前沿模型架構(gòu)，構(gòu)建生成能力更強(qiáng)的聲碼器，配合海量多樣人聲數(shù)據(jù)的訓(xùn)練，可以合成非常豐富和細(xì)微的人聲效果，配音質(zhì)量大幅提升。此外，在視頻圖像處理方面，計算機(jī)視覺算法的識別精度也在快速提高，這使系統(tǒng)可以捕捉和學(xué)習(xí)到人物更微小的面部表情變化和唇形特征點，以精確驅(qū)動語音表現(xiàn)力。

綜合處理視頻圖像和語音模型的核心跨模態(tài)算法持續(xù)優(yōu)化，將顯著增強(qiáng)最終語音輸出與人物面部表情之間的協(xié)調(diào)性。相信在不遠(yuǎn)的將來，智能語音配音必將做到對人類配音效果的完美模擬，并在更多領(lǐng)域?qū)崿F(xiàn)應(yīng)用。

5 結(jié)語

智能語音技術(shù)已經(jīng)深刻改變和重構(gòu)新聞播報、廣播主持、電影配音等傳統(tǒng)播音領(lǐng)域。從新聞自動播報、虛擬主持人應(yīng)用到智能電影配音，智能語音技術(shù)實現(xiàn)對播音工作的自動化、效率化、智能化、個性化升級。未來隨著語音識別、語音合成等核心技術(shù)的進(jìn)一步發(fā)展，以及算法和算力的持續(xù)提升，智能語音技術(shù)在繼續(xù)推動播音模式變革的同時，也將迎來更加廣闊的應(yīng)用前景。有理由期待，智能語音技術(shù)與播音領(lǐng)域的深度融合，必將推動更多革命性的產(chǎn)業(yè)變革。

參考文獻(xiàn)：

［1］ 張博遠(yuǎn).淺議新媒體環(huán)境下人工智能技術(shù)對播音主持行業(yè)的影響：以AI主播為例［J］.明日風(fēng)尚，2023（9）：73-75.

［2］ 韓志浦.智能語音技術(shù)下播音主持的探索與思考：以微軟AI配音為例［J］.文學(xué)藝術(shù)周刊，2023（16）：80-82.

［3］ 余明桄.人工智能語音時代播音員主持人面臨的挑戰(zhàn)與發(fā)展路徑探索［J］.中國傳媒科技，2022（1）：80-82.

［4］ 張彧睿.智能語音技術(shù)在播音主持領(lǐng)域中的應(yīng)用研究［J］.信息記錄材料，2020，21（3）：88-89.

［5］ 翁佳.智能語音技術(shù)對播音主持專業(yè)與行業(yè)影響探究［J］.電視研究，2017（12）：57-59.

［6］ 張佩佩.智能技術(shù)為新聞播音帶來的影響［J］.記者搖籃，2023（3）：147-149.

作者簡介：范晴 （2000—），女，研究方向：播音與主持藝術(shù)。