在智能交互系统中，语音合成是实现人机交互的关键技术。智能语音2.0时代，场景的重要性不言而喻，在不同场景中实现不同声音的交互，使得机器语音更加生动和贴切，而如何实现这种不同场景的语音切换，语音定制化合成就派上用场了。
想象一下，车载服务中是您喜欢的某位明星为你做导航播报，或者在每日的清晨叫醒你，为您播报天气情况；呆萌可爱的童声应用在儿童玩具上，陪伴您的孩子讲故事、唱儿歌，又或者应用于智能家居中家电的控制上，给它指令，它用或呆萌或可爱的声音回复你，生活是不是更加有趣好玩；这就是在语音交互的未来，定制化即将成为新风口。谁能赋予声音更多的表现力和个性化，谁就能将技术适配到非标准化的广阔场景中，赢得智能语音市场的未来。
科技巨头看到这一趋势，纷纷祭出语音合成“定制化”的大旗，包括谷歌、苹果、微软、科大讯飞等企业都在抢占市场，语音合成技术正式进入定制化的2.0时代。那巨头混战的局面下，哪家技术比较强些呢？
微软是智能语音行业的领先企业之一。今年5月份的Build 2018 大会上，其在公有云平台上推出了语音合成定制服务产品Custom Voice。将语音和对应文本（500句）上传，Custom Voice即可对声音进行模拟，并在线测试模拟效果。CustomVoice采用全程可视化操作界面，普通用户可快速上手，显示出微软打造定制化、平民化产品的用意。
谷歌人工智能实验室成立的Lyrebird（琴鸟）公司，也推出了自己的定制语音合成系统。同微软的CustomVoice类似，30句英文声音录入后，系统就能在“倾听”中“掌握”每个人说话时字母、音位和单词的发音特点，通过推理并模仿声音中的情感、语调，“说”出全新语句。目前Lyrebird还存在一些缺陷，如合成语音夹杂电流声，中文语句的录入与合成表现都不理想等。
在国内，唯一能与微软、谷歌同台竞技的就是科大讯飞。去年2017年11月，科大讯飞推出名为“讯飞留声”的测试版本，比微软的CustomVoice还要早半年时间。经过不断优化，讯飞留声制作完整音库只需10句话声音录入，远低于微软采集的500句，亦低于谷歌的30句，采集量只有行业平均的百分之一，合成效果更好。
随着人工智能的不断发展，越来越多的领域开始智能化，众多企业也争先布局抢占先机。而语音的定制化合成，让机械的声音越来越有了温度，让更多机器语音在场景化应用中表现非常亲切，自然。
閱讀更多 人工智能研究 的文章
