微软语音AI技术与微软听听文档小程序实践 | AI ProCon 2019

演讲嘉宾 | 赵晟、张鹏

整理 | 伍杏玲

来源 | CSDN（ID：CSDNnews）

【导语】9 月 7 日，在CSDN主办的「AI ProCon 2019」上，微软（亚洲）互联网工程院人工智能语音团队首席研发总监赵晟、微软（亚洲）互联网工程院 Office 365资深产品经理，Office 小程序负责人张鹏共同发表《微软语音AI与微软听听小程序实践》的主题演讲，分享微软人工智能语音的技术以及微软听听小程序的落地实践。

详情如何？我们一起来看看。

以下为演讲内容：

赵晟：小程序是现在移动开发的新生态、新趋势。语音AI技术跟移动开发是非常有关系的。大家平时开车时不方便用手输入，可以用语音输入，开车时想听一些东西，完全可以用文字转语音的技术去听这些内容。基于这些考虑，微软语音AI和微软听听小程序合作做了些尝试，今天给大家分享这里面的故事。

赵晟

微软语音AI的技术突破

微软在30多年前开办微软研究院时，已开始投入大量的人力物力在语音和语言上。近几年来，微软在语音识别上首先取得突破，在2016年，语音识别的准确度已达到跟人相似的水平。

2018年，在中英机器翻译上和人类做比较，发现机器翻译的质量跟专业翻译人员的结果完全可以相媲美。

2018年9月，微软首先发布了基于神经网络的语音合成产品服务，它与人声的自然度得分的比例达到98.6%，也就是说非常接近人声。

• 语音识别之路

微软在语音识别的具体突破有哪些？

语音识别主要核心指标是词错误率，就是词识别错误占多少比例。在SwitchBoard会话数据集上，语音识别错误率开始非常高，根本不能用，到2016年，微软取得了突破，达到5.9%的错误率，2017年进一步降低到5.1%的错误率，这个错误率跟专业人员转写录音的错误率是相当的。

大家听听这个数据集的例子：电话上有两个人在交流，语音具有不连续性、噪音、口音，所以识别难度对机器来讲是非常大的，微软使用10个神经网络技术，比如：CNN、ResNet、VGG等，多模型输出打分、多系统融合，得到了这个了不起的突破。

• 机器翻译的里程碑

从1980年的传统机器翻译，到1990年的统计机器翻译，再到2010年，深度学习机器翻译技术开始兴起。2018年，微软首度提出一个任务，把机器跟人在中英新闻翻译上做比较，让专业翻译人员和机器翻译同样的句子，翻译后请懂双语的老师和学生去对翻译结果用0-100分进行打分。

可以看到微软的Human Parity机器翻译系统已经超过或者接近专业人员的翻译水平。它的突破用到了新技术比如对偶学习，用大量无标注数据提高现有的翻译系统。还有推敲网络，先有一个初始翻译，再用另外一个网络进行再一次的修正，同时运用多系统融合技术，最终达到这个突破性的结果。

• 语音合成技术

我们再看看语音合成技术，文字转语音这个技术也是非常悠久的语音AI技术。

最开始是基于人的发音原理的合成器，然后90 年代用拼接的方法，把一句话分成很小的单元，然后进行拼接，一开始的拼接是小语料库，自然度一般。在1999年左右，出现基于大语料库的拼接，这时需要收集到成千上万的句子，把它们切分开来，用一种选择策略去选择最合适的单元拼接在一起，自然度显著提升，但是带来新的问题，比如有些拼接不平滑。

2006年左右，基于HMM模型的合成技术兴起，它的好处是非常平滑，但是也带来负作用，就是声音过于平滑，让人听出来觉得不够具有表现力。深度学习的兴起在合成领域也得到了应用，最近两三年推出的神经网络TTS，是语音合成技术的突破。谷歌提出来Tacotron, WaveNet这些模型，把语音自然度提升新的水平。

微软在2018年，2019年提出了Transformer TTS、Fast Speech等高自然度神经网络TTS模型，并在2018年9月首度推出产品化接近人声的端到端Neural TTS。

• Neural TTS模型

为什么Neural TTS模型可以接近人声？

传统的TTS是一个复杂的流程，每一步都要进行单独优化，有些模块需要经验规则，人工优化权重等等。神经网络的TTS是将合成流程简化了，我们可以看到它基本就三段，有一个前端文本分析，一个声学模型，一个Neural Vocoder声码器。神经网络的声码器可以非常接近人的音质。

采用最新的基于注意力的声学模型去进行建模韵律，更加接近人声的韵律。两者叠加起来，就可以到更符合人的韵律和音质的高质量合成语音。当然，带来的负作用是计算量非常大。

神经网络TTS的架构非常具有可扩展性，各家都提出不同的声学和声码器模型，有各自的特点，有的计算量大一点，有的计算量小一点，质量也有所不同。

Neural TTS还有一个特点是迁移学习，我们可以提取条件参数，对合成进行控制，比如我们可以先训练一个多说话人的基础模型，使用几十小时到上千小时数据训练得到一个模型。有了基础模型以后可以做很多有意思的事情，比如训练我自己的声音，或者生成有情感的、多风格的、跨语言的声音，这些都可以做到。

语音服务概览

前面讲了语音的新技术突破，可能有人就会问，有这么多新技术，怎么在产品里用它？我给大家介绍语音服务有哪些功能供大家使用。

微软的语音服务基本都在微软Azure这个平台上，提供语音转文字、文字翻译等标准服务。

Azure语音云端服务

语音转文字有很多功能，如实时识别文字、一个人说话、多人对话、会议场景。一个典型场景是大家开会后想看会议内容，可用语音服务把语音转成文字，并且做一些自动处理的摘要，这样可快捷地查看会议内容。

目前跟人类接近的文字翻译系统已上线，神经网络模型已更新，翻译质量大幅度提升。

文字转语音我们提供神经网络 TTS、4种语言、5个声音。这些服务都可以用Rest和WebSocket SDK调用。

我们还提供语音到语音的翻译系统，比如翻译机场景，把中文语音输入进去，翻译成英文，得到语音流，可以直接播放，不用再配置其他服务，简化开发步骤。这些服务都可以在以下网址访问使用。

https://azure.microsoft.com/en-us/services/cognitive-services/speech-services/

• 云端模型定制服务

前面我提到的API都是标准模型，所谓标准模型就是微软几十年收集的数据做的大模型，大模型适用于大量通用的场景。但是AI有一个特点是对于不同场景相关的数据做一些自适应，可达到更好的效果。

典型的例子是有些公司里面有自己的硬件采集语音、有自己的关键词，如果有这些场景数据，可以大幅度提高语音识别准确率。我们在语音识别、翻译、合成模型上都提供定制功能，提供给各位开发者一起创建生态系统，你可以把数据放进去，打造成行业的模型，提供给客户使用。

模型定制地址：https://speech.microsoft.com/

• Edge 端的语音容器

前面提到基于云端的语音服务，云端模型定制，还有一个很重要的场景是需要把AI放到离线或者私有云里面，这就是常说的Edge计算。因为这些端的计算力得到很大提高，可以跑起来复杂的模型。

包括手机端的Tensorflow都是类似的利用Edge部署的想法。我们语音服务在Edge有一个部署方案，它是基于Docker的容器，这样带来很多好处，比如安全可靠、延迟很小，充分利用现有硬件，接口和云端化部署保持一致，使用起来非常方便。

比如呼叫中心里有大量的客服语音对话，对此进行分析就可以了解服务的满意度。我们已形成了解决方案：在呼叫中心里定制模型，定制后，用于大批量处理录音，然后使用自然语言处理进行智能分析。在国内我们联合了联合利华、中国移动利用容器化的语音服务去完成这些服务。

容器可以在此申请使用：https://docs.microsoft.com/en-us/azure/cognitive-services/speech-service/speech-container-howto

• Unified Speech SDK

在客户端SAPI、SpeechFX是Windows系统自带的传统开发SDK。我们现在提出了Unified SDK，支持访问云端的语音识别、语音合成、语言翻译等语音服务。这个SDK也支持容器化的语音服务和离线语音引擎，它是真正跨平台的，支持Windows、Linux、安卓、iOS、浏览器平台。SDK采用跨平台架构，提供有各种语言的绑定，中间有统一的C API，底层有跨平台的库，可以快速支持跨平台的迁移。

短语音识别代码       

简单看几个语音识别例子，各种音箱助理要做识别，这是短句语音识别场景，你可以创建一个语音识别对象，然后异步开始识别，它是从声卡采集数据进行识别，然后把结果反馈给你。

SDK免费下载使用：https://docs.microsoft.com/en-us/azure/cognitive-services/speech-service/speech-sdk

语音合成平台

语音合成平台的使命是让每个人和组织都有喜欢的数字化声音。这个语音合成平台是既给内部客户使用，也给外部客户使用，内部客户比如像微软的语音助理用的就是同样这个语音合成平台。我们在不断迭代这个平台，在18个数据中心里都有部署，真正达到全球化的部署，出海企业可以使用我们国外的数据中心。

接下来看看基于神经网络TTS的多种风格语音。为什么要有多风格的语音？因为合成一段语音的话，文字和语音要有一定的匹配，读新闻时需要正式的声音，机器人回复的时候需要考虑上下文需要，采取带有情感的回复。我们提供了风格化的声音供大家使用，通过输入的SSML express-as标记进行风格控制，使用起来是非常容易的。

中文上我们也正在开发新的风格，比如有亲和力的助理场景，客服场景里，客服机器人的语气应该是比较热心的。有时机器人有需要一些技能，我们这个晓晓也会唱歌。另外新闻场景，需要比较正式的语气来读新闻。读微信公众号的文章不用那么正式，但是也要相对要规范。情感故事场景，大家晚上睡觉前可以听听心灵鸡汤等等。声音可以千变万化，我们根据用户的需求去定制风格，同时也有不同的音色，比如男生、老年人声音、小孩声音，这些都可以定制。

语音合成API调用 

这是语音合成API调用，创建一个合成器对象，你把文字送给它，它就可以开始合成了，这是合成到声卡。不同语言也非常类似，学习起来也非常容易。

调用API需要配置语言，我们有很多种语言，所以需要配置一下语言参数。不同的音色，声音也可以首先配置。输出格式，把语音输出到MP3压缩，也可以通过属性配置。

合成到文件保存，有时开发服务时需要把音频合成到一个流里然后转发到其他地方，那么就创建一个PullStream，后面的合成代码是一样的，可以像文件一样去读取这个合成的数据。还有一个PushStream，相当于回调的方式，不同的开发人员有不同的喜好，我们提供不同的API，方便大家使用。回调时的数据是通过回调方法来进行处理。

语音合成API也提供一些元数据，比如词边界，可以告诉你读到哪一个单词了，此外有些场景需要做口形匹配。这时注册一个事件，你可以得到这些元数据，这个功能在微软的Edge浏览器最新发布的新版本里已经用到了，朗读时文字高亮显示，供阅读者了解当前的进度。 

语音助手合成

 我们来看看语音助手的典型解决方案，典型场景有音箱、客服机器人、互联网车载语音、小程序集成。

架构图

这是我们推荐的解决方案或者架构：客户端可以用语音激活，用自定义的唤醒词，比如“你好，小娜”，首先把服务唤醒，你可以采集数据通过SDK送到云端，云端有唤醒词校验，再确认一下这个唤醒是不是真的对，降低误触发，然后对音频流进行识别，识别出的文字送给机器人的服务。

这是实现松耦合的好办法，类似机器人的服务都是自然语言文字进入、文字输出，所有这样的服务可以注册到我们这个框架里来。回复文字之后回到语音服务，进行语音合成，合成的语音可以通过流式返回客户端通过SDK播放，这是整个调用流程。这个架构的优点是把云端语音服务和唤醒词放在一起，可以减少客户端调云端的次数。全双工对话也可以用类似方法实现，连接的协议是WebSocket。

更多信息可参见: https://docs.microsoft.com/en-us/azure/cognitive-services/speech-service/tutorial-voice-enable-your-bot-speech-sdk

在微信小程序里可以用类似这样的架构去做，我们在GitHub上提供了示例：   

https://github.com/Azure-Samples/Cognitive-Speech-TTS/tree/master/TranslatorDemo

语音内容生产

当前现代快节奏的生活使得信息获取变得碎片化和多任务化，我们常常遇到一些痛点：传统的有声内容制作主要靠声优的录音；大量的文本内容正在等待有声化；有声内容生成受限于人员，时间，环境等因素，不能最大化产能。

那么如何提高人们的阅读效率呢？ 

一种很好的方式是通过听的方式消化这些信息，开车时、睡觉前都可以听一听，传统方案由人来读，这非常受到限制。有了基于神经网络的TTS，我们在想能不能提供效率更高的方案。

这个方案是这样工作的，各种信息流可以用云服务把它整理，送到语音调优服务，你可以选择调一下比如多音字，批处理合成API把调好的SSML合成为音频放在存储服务里，供你的应用去使用。

举一个电子书例子，这个电子书听起来更生动一点，还有角色的变化。前面说到了调音工具，TTS输入或者语音合成输入是SSML格式。我们提供界面工具可以可视化去调读音、停顿、背景音乐，一定程度上可以用它调出完全接近录音的效果。

定制语音

声音是一个品牌，每个人的声音都是自己的品牌，我们支持让每个企业都能定制自己的声音。定制语音的类型有两类：

1、自助服务开发人员通过网页或API操作、训练、部署声音，自助完成，面向个人开发者。支持三类模型的服务：

（1）基础模型：30-500句语音，比较相似，高可懂度。

（2）标准模型：3000-6000句语音，自然度比较高，接近Windows上标准模型。

（3）高质量模型：6000-8000句语音，自然度非常高，接近JessaRUS。

2、全包服务

全流程定制语音，专家工程师把控最高质量，也支持基于神经网络的定制，300句可以做到以前6000-8000句的效果。当然，对于神经网络的定制要非常小心，我们希望AI的技术不要被滥用，太像了之后人们会担心自己的声音被别人做了一个TTS，去外面打骗人的电话等等。所以需要有很严格的流程，通过客户同意才能使用。目前通过商务合作模式进行神经网络TTS定制，保证技术不被滥用。

自主服务界面接口里，可上传所有数据，我们自动进行处理，比如对读音进行检测，如果发音不标准的话训练出来的声音也不标准。数据较好的话可提交训练，后台会起一个训练流程在GPU去训练，训练之后试听效果，部署后可通过代码调用或者在网页上输文字实时测试。

模型定制也可调用API，这个API是Rest接口，在微信小程序可以调用，也可在后台调用。代码支持SWAGGER标准，可以自动生成多种语言代码。我们提供了管理数据的API，对模型进行管理的API。

做一个好声音是有技术门槛的，首先要了解你的场景需要什么样的风格、需要什么样的音色，去选择合适的风格，然后录音文本选择通用文本或者领域相关文本。

录音也是个技术活，需要尽可能安静，不要有噪音，保持录音风格，数据越好出来的质量越高。模型训练完成之后可以部署到云端或者容器，可以非常灵活的部署在各个地方。微软语音AI技术在微信小程序上有不错的实践，下面由张鹏分享听听小程序在AI的实践。

为什么是语音 AI +小程序？

张鹏

张鹏：Office 365是一套基于云平台的服务解决方案，除了大家熟悉的Office编辑工具服务外，还有邮件，社交，会话以及可视化数据与报告等，这些共同构成了一套服务，这套服务我们称之为Office 365，我们希望把Office 365带到更多中国用户使用习惯中去，第一个看重的是微信。

我们为什么要在微信里做？

有两个主要考虑的因素：

第一，微信是月活超过11亿的产品，这是任何跨国公司产品进入中国以及本土创新都必须要研究的，微信哪些功能满足了用户需求，哪些功能没有满足用户需求，因此Office 365要在中国取得成功，满足微信用户的对文档协作的需求是我们必须要做的事情。。

第二，微信沉淀了极其稳定的社交关系，基于这些社交关系可以看到你的通讯录里、各种群里已经不单是家人和朋友，看看我们微信的各种群，更多的是你的同事、客户以及上下游合作伙伴，也就是说很多群是因为工作而产生的，因此在微信里就有大量的文档在流转，我们如何让这些文档在微信生态里可以更高效的被创造出来，可以被安全的被管理，可以更顺畅且高效的传递，这是我们想在中国探索的一个方向。

第三，小程序2017年1月份诞生，市场上对小程序有各种解读，有看好的，有不看好的，我觉得任何定义现在下都为时过早。而我们看到的是小程序正在或者将要解决信息孤岛的问题，各个App之间信息不通的问题。

Office有同样的问题，很多文档内容是留在大家的PC里或者用户各种云盘里，这些信息并没有很高效的被协作起来，没有有效的途径把有价值的内容做分享。我们认为微信小程序未来正是解决这个问题的解决方案。

基于这几点，我们2018年投入到小程序里。

今天分享的小程序叫“微软听听文档”，“微软听听文档”探索的第一个问题是PPT在移动端应该是什么样子的？如何将信息更好与人协作。

我们有很多群，有很多文档在流转，然后这些文档在群里是以静态的形式在流转，很多情况下用户都是从PC端拉一个PPT扔到群里就完了，这种PPT其实是静态的Word文档。

如果将PPT下一个定义的话，突出它的主要功能就是怎样让大家演讲时更有力，提升演讲时的演示效果，这是我们移动端的目的。因此，我们打造了“微软听听文档”。

我们通过在移动端快速地给每一页文档做录音，快速发布，通过微信固有的社交关系去传播、发布。每页PPT下面除了有声音外，还有各种社交属性：传播、、发朋友圈、进群、点赞、打赏，这是我们认为PPT在移动端应该有的样子。更重要的是有人的声音，也就是演讲者的参与。

今天AI大会上我观察到有很多人会拍照发朋友圈、发到群里，这也是一种内容的分享方式，但这种分享方式并不很高效，为什么？

因为这种分享方式里缺少了最重要的因素，就是演讲者、创作者到底在PPT背后传递什么观点，通过几张图片是很难传递出来的，这是我们要打造这个产品的目的。

微软听听小程序

我们做这个探索时，关注点有：

第一，创建。我们可以给每个文档做录音，背景音乐可以通过微软AI技术去学习文字和图片，自动配背景音乐，不用大家主动去选。

第二，PPT有设计内容，Office365有AI设计灵感，未来在移动端也可以帮大家从手机相册去选择图片去制作演讲时，图片可以自动用设计功能去裁剪、排版，达到更好的效果。

第三，AutoSpeech，大家在移动端录音时，很多人不喜欢自己的声音，觉得自己的声音不好听，很多人基于环境的限制并不方便录音，我们基于深度神经网络可以将声音完美的匹配文字。

第四，Article听听文档，如果大家在行进路上或者不太方便看文字的情况下，简单的把公众号URL链接拷贝到里面，可以用几十秒时间迅速制作出来一种可以看、可以听的文本，是一种新的形式展示给大家，我们有真实企业案例就是这样用的。

在听的方面有哪些和AI结合？让听者可以更沉浸式的身临其境的去听人的分享。

1、引入字幕，字幕对辅助阅读很重要，有时大家听讲时开小差就跟不上了，字幕在这里起到非常关键的作用，通过微软的声音转文字，以字幕的形式转出来。

2、社交，点赞、转发等等。

3、PPT动画，把视频播放的东西引入进来，给大家更丰富的表现方式。

以下是语音文档的创作过程：

第一步，选择制作方式。

拥有微软帐户后可以选择文件，可以从电脑端拖一个文件里进来，也可以从手机相册里选，选择之后进入录音。

第二步，人工录音或者AI录音。

第三步，发布。

可以选择权限设置，是只给微信好友看，还是发布给整个互联网的人看，还是只给自己看，包括开启赞赏，如果觉得自己的内容有价值，期望别人打赏的话也可以开启。

第四步，查看个人页面，关注推荐。

发布之后你的作品在作品集，可以知道有多少用户关注你，知道每个分享有多少人去看去听，也方便你自己去管理你自己的内容，也可以让别人找到你去分享。

下面举一个真实例子，新民晚报。他们之前有一个问题，每天早上6点，编辑会在1小时内编辑一天24小时的新闻，7点钟有一个内审，审核通过以后，7点半就在公众号发布。

这个过程中要反复修改，不可能有人给公众号录音或者去修改，。他们现在利用以上的方式可以很快捷的嵌入小程序到公众号，我们这个小程序的速度非常快，大概十几秒的样子。AI的效率在这个场景中得到非常大的发挥和落地。

微软Office微信小程序布局

未来，微软Office微信小程序布局本地化策略有三个方向：信息输入；信息管理；信息输出。

文档怎么被创造出来，怎么被管理，怎么输出协作。这三个方向是我们想去探索的。

在我看来，什么样的小程序能够生命力很强？我们做了很多功能，但是发现反而让用户更多时间耗在这里，这样工具类的小程序时间长了，慢慢大家就不会用了，因为发现代价很大。所以从生产力小程序角度总结，只要真正能帮助用户节省时间、提高效率的生产力小程序都会有更好的生命力继续传播下去。最终让用户收益才是一切商业逻辑的起点。

大家可以在微信搜索“微软听听文档”，体验一下。

嘉宾简介：

赵晟 ，微软（亚洲）互联网工程院 人工智能语音团队首席研发总监。目前负责微软Azure语音服务的产品研发工作, 所开发的语音技术服务于微软Office、Windows、 Azure认知服务，小冰小娜以及广大的第三方开发者。曾担任微软亚洲研究院研究员，微软小娜资深研发经理。长期从事语音和语言方面的技术开发，包括语音合成，自然语言处理，语音识别等等，所负责的多语言合成项目也曾经获得微软中国杰出工程奖。

张鹏，微软（亚洲）互联网工程院 Office 365资深产品经理，Office 小程序负责人 。2013年加入微软MSN，承担MSN和必应搜索等产品设计和市场推广工作。2016年开始至今，负责Office 365在中国创新产品开发，成功发布officeplus.cn，微软AI识图，听听文档等产品发布。

（*本文为 AI科技大本营转载文章，转载请联系原作者）

◆

精彩推荐

◆

2019 中国大数据技术大会（BDTC）历经十一载，再度火热来袭！豪华主席阵容及百位技术专家齐聚，15 场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。【早鸟票】与【特惠学生票】限时抢购，扫码了解详情！

推荐阅读

你点的每个“在看”，我都认真当成了喜欢