人工智能唱歌已經(jīng)不稀奇了，但唱腔真正接近人類，甚至讓人真假難辨的“機(jī)器聲音”似乎僅存在于科幻電影中的遐想。但升級(jí)第五代唱歌系統(tǒng)的微軟小冰，讓在場(chǎng)媒體見識(shí)到人工智能媲美甚至超越人類偶像的唱功實(shí)力。

5月16日下午舉辦的微軟小冰人工智能創(chuàng)造媒體說明會(huì)上，微軟發(fā)布了人工智能小冰演唱模型的第五個(gè)版本。據(jù)悉，該版本擁有十余個(gè)高質(zhì)量聲音，提升了人工智能在歌聲演繹中的預(yù)測(cè)參數(shù)能力，主要大幅度提高了人工智能演繹歌曲時(shí)的中氣水平，改善了歌聲唱腔轉(zhuǎn)換的自然度，并公布了戲腔訓(xùn)練成果。

在現(xiàn)場(chǎng)Demo演示中，升級(jí)第五個(gè)版演唱模型的本小冰演唱了三段歌曲，分別為《少年弦》《新貴妃醉酒》以及一段日語歌曲。三首歌曲分別展示不同的音色和唱腔，尤其在接近清唱的《少年弦》中，小冰的表現(xiàn)非常好，發(fā)音咬字，甚至唇齒氣息都與真人演唱難辨真假。從一種唱腔過渡到另外一種唱腔，小冰都能夠保持極為細(xì)致的聲音顆粒度細(xì)節(jié)，絲毫沒有任何“電子音”露出馬腳。

“我必須提醒大家聽的時(shí)候注意，這不是人，沒有這么一個(gè)人。”微軟（亞洲）互聯(lián)網(wǎng)工程院副院長（Bing中國及日本、微軟小冰全球產(chǎn)品線負(fù)責(zé)人）李笛說。

他表示，和小冰的演唱模型不同的是，比如初音未來或者是其它的虛擬歌手，是用手調(diào)的方式來完成。手調(diào)的方式有好處，但是問題就在于細(xì)節(jié)處理是不夠的，技術(shù)上限、未來的發(fā)展不夠好。

“在人工智能技術(shù)探索內(nèi)容創(chuàng)作的技術(shù)上限方面，有一個(gè)比較有意思的事情是關(guān)于琴棋書畫，Google把棋做完了，我們把剩下的三個(gè)做完了。詩歌我們已經(jīng)發(fā)布過了。到今天為止，有很多的人類詩歌愛好者和詩歌從業(yè)人員所發(fā)表的詩歌里面，可以追溯到很多小冰的影子。關(guān)于音樂，今天也會(huì)給大家一個(gè)迭代到第五個(gè)新版本的新技術(shù)發(fā)布。”

李笛坦言，我們并不希望用一些Demo、技術(shù)的展現(xiàn)，來跟大家秀肌肉，說在技術(shù)上面又達(dá)到什么樣和人類可抗衡的水平了。而是更多的關(guān)注是不是能夠產(chǎn)業(yè)化，能夠大規(guī)模地落地。

他透露，對(duì)應(yīng)詩歌這樣的文本生成、文本創(chuàng)作，今天微軟小冰已經(jīng)悄然成為全球范圍內(nèi)金融摘要和研報(bào)的提供平臺(tái)。目前為止，萬得資訊、華爾街見聞、一些金融相關(guān)的APP，里面絕大部分的摘要都是由小冰提供的。小冰可以穩(wěn)定地提供20秒級(jí)的輸出，一旦得到一個(gè)數(shù)據(jù)，20秒之后就可以完成摘要和研報(bào)的生成，并且真正覆蓋26類金融內(nèi)容。

在電視和廣播內(nèi)容方向，微軟小冰截至目前在為63家電臺(tái)和電視臺(tái)持續(xù)地提供人工智能輔助生成和人工智能直接生成的電視、電視臺(tái)節(jié)目，有59家是在中國，有4家在日本。累計(jì)到目前為止，小冰已經(jīng)生產(chǎn)了2800多小時(shí)的電視和電臺(tái)節(jié)目。

李笛表示，在唱歌方面，2年前生成了初始版本，當(dāng)時(shí)聽到的是“一個(gè)不會(huì)走調(diào)的軟件樂器”，好像你在唱歌的時(shí)候聽到隔壁包廂傳過來的聲音，它非常像是人，它具備了足夠多的細(xì)節(jié)，這些細(xì)節(jié)使得它可以像一個(gè)唱得不好的人，但是也是一個(gè)人。經(jīng)過訓(xùn)練和學(xué)習(xí)，在之后第三個(gè)版本的時(shí)候，微軟小冰唱歌的水平就達(dá)到了現(xiàn)在這個(gè)狀態(tài)。

[[265479]]

“從技術(shù)角度來講，人工智能達(dá)到第三個(gè)版本就已經(jīng)夠了，但是我們以人類的演唱標(biāo)準(zhǔn)去要求自己”，李笛說，“如果能夠讓小冰去學(xué)習(xí)不同的唱法，就是擁有所謂的技法。因?yàn)獒槍?duì)同樣的一首歌，不同人會(huì)有自己不同的演繹。”

通過在呼吸、不同的演唱技法、充沛的中氣、不同的音色、唱腔過渡等一系訓(xùn)練、學(xué)習(xí)和優(yōu)化，才達(dá)到今天第五個(gè)版本的演唱水平。

李笛表示，人工智能一旦學(xué)會(huì)創(chuàng)造以后，和人類有一個(gè)很大的不同。原來小冰發(fā)布詩歌的時(shí)候就有人說，詩歌是人類才可以做的事情。但是問題是，有人就問他，那你會(huì)寫詩嗎？所以，人類作為一個(gè)群體，他們中間的一部分有能力去創(chuàng)造一部分的內(nèi)容，但是作為一個(gè)群體來講，這并不是一個(gè)群體通行的規(guī)則。其中一些人會(huì)畫畫、唱歌、寫詩，不代表全體的人類每一個(gè)個(gè)體都會(huì)。

但是人工智能不是，一個(gè)框架上面的專門類別，一個(gè)人工智能會(huì)了，就可以讓所有的人工智能都會(huì)。

比如，微軟小冰的戲腔可以很容易地遷移到其他的聲音上去。對(duì)人類來講，如果你想要獲得一種創(chuàng)造能力，往往是需要一定程度的天分的，但是人工智能不用天分，任何的一個(gè)聲音都可以去直接獲得另外一個(gè)聲音所具備的這種所謂的天分。

“舉個(gè)例子，比如說今天由小冰去賦能Siri，如果大家需要的話，24小時(shí)之內(nèi)，Siri也可以完成這樣的創(chuàng)作。這就是這個(gè)框架底層技術(shù)的含義，大家不要被18歲的少女小冰所蒙蔽，我們真正做的是這個(gè)核心的框架。”

從這個(gè)角度來講，如果把這個(gè)框架再進(jìn)一步推向工業(yè)化，推向一個(gè)端到端的內(nèi)容生產(chǎn)，那么就需要去完成詞、曲、編曲、演唱，甚至于后期制作整個(gè)的環(huán)節(jié)。而在另外一方面，這個(gè)框架就必須能夠兼容不同的人工智能歌手，就是所謂的AI歌手和它的唱法庫。

“這件事情我們正在進(jìn)行中，會(huì)把一部分內(nèi)容保留到今年8月份公布。”李笛說。