王紹軼

（天津市濱海新區(qū)廣播電視臺，天津 300450）

隨著“十三五”科技發(fā)展中對廣電發(fā)展的要求，未來廣電的發(fā)展應(yīng)朝著利用科技創(chuàng)新，推動廣播影視中節(jié)目制作、內(nèi)容生產(chǎn)、安全監(jiān)管等多方面向智能化方向發(fā)展。而人工智能近幾年發(fā)展十分迅速，給廣電未來的發(fā)展提供了可能，智能語音技術(shù)作為一種全新的技術(shù)，能夠?qū)崿F(xiàn)信息的快速錄入、人工交互等功能，時下的教育、醫(yī)療、汽車等多個行業(yè)中都有所涉及。盡管科技發(fā)展提出了新的發(fā)展目標(biāo)，且廣電媒體在發(fā)展的過程中有大量的文稿和音頻需要處理，但實際工作中對智能人工語音技術(shù)的使用并不常見。傳統(tǒng)的人工處理方式不僅耗費時間長，且工作效率低下，人工的方式稍有不慎就會造成內(nèi)容理解上的偏差和記錄出現(xiàn)問題。本文主要針對這樣的情況，討論人工智能語音技術(shù)在廣電媒體中的實際應(yīng)用情況，在傳統(tǒng)人工處理的基礎(chǔ)上，借鑒經(jīng)驗，建設(shè)全新的廣電媒體智能語音應(yīng)用平臺。

一、智能語音技術(shù)

（一）語音識別技術(shù)

語音識別技術(shù)主要是指將說出的語音轉(zhuǎn)換成對應(yīng)的文字進行錄入，是一種新型的信息錄入技術(shù)。語音識別技術(shù)首先要檢測音頻的端點，確定說話的位置，然后進行識別處理。通過識別語句的對話語境，智能地判斷所錄入信息的標(biāo)點等相關(guān)信息。系統(tǒng)在錄入的過程中通過識別用戶自定義的詞匯優(yōu)先選擇相對應(yīng)的詞匯。

（二）語音轉(zhuǎn)寫技術(shù)

語音轉(zhuǎn)寫技術(shù)是在語音識別技術(shù)的發(fā)展基礎(chǔ)上延伸出來的，通過識別和理解語音信號，將信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文字內(nèi)容。語音轉(zhuǎn)寫可以通過大數(shù)據(jù)和用戶的歷史數(shù)據(jù)將上下文的相關(guān)語義、停頓、語氣等內(nèi)容提取出來，對句子和段落進行劃分，并且可以處理遠場噪音等相關(guān)問題。

（三）語音合成技術(shù)

語音合成主要是指將文字通過計算機的轉(zhuǎn)換形成流暢的語音并輸出出來，可以應(yīng)用在現(xiàn)階段的語音播報、語音提醒、語音導(dǎo)航等眾多場景中。語音合成主要是將文字序列進行解析，將文本進行參數(shù)化的處理，然后輸出語音波形信號，最后將波形單元序列進行串聯(lián)，形成完整的信號進行輸出。

二、人工智能語音識別技術(shù)的技術(shù)架構(gòu)

（一）系統(tǒng)架構(gòu)

從人工智能語音識別平臺的系統(tǒng)架構(gòu)的組成看，它是由基礎(chǔ)支撐層、核心能力層、應(yīng)用服務(wù)層、應(yīng)用接入層和服務(wù)應(yīng)用平臺5個部分組成。

基礎(chǔ)支撐層。基礎(chǔ)支撐層主要是利用云計算對平臺底部的硬件和存儲的資源進行管理。

核心能力層。能夠利用核心引擎為廣電媒體的實際應(yīng)用提供語音合成和語音識別等相關(guān)服務(wù)，同時能夠?qū)Y源進行優(yōu)化管理。

應(yīng)用服務(wù)層。應(yīng)用服務(wù)層能夠?qū)⒆钚碌恼Z音技術(shù)集合起來，為平臺的管理和服務(wù)提供強有力的語音服務(wù)等相關(guān)功能。

應(yīng)用接入層。利用應(yīng)用接入層能夠?qū)崿F(xiàn)服務(wù)接口和語音處理，能夠提供智能語音業(yè)務(wù)上的服務(wù)。

服務(wù)應(yīng)用平臺。服務(wù)應(yīng)用平臺能夠?qū)崿F(xiàn)文稿唱詞、虛擬播報、內(nèi)容轉(zhuǎn)寫等相關(guān)功能，支持第三方服務(wù)的對接工作。

（二）軟件架構(gòu)

人工智能語音識別技術(shù)中的軟件架構(gòu)主要有5種。第一種是采用J2EE組成的Java應(yīng)用規(guī)范架構(gòu)。這種系統(tǒng)具有系統(tǒng)上的可移植性，通過將其部署在相關(guān)的應(yīng)用服務(wù)器上，進行高度靈活和擴展的系統(tǒng)設(shè)計工作。第二種是在客戶端采用Node-Webkit這種應(yīng)用程序，提供交互界面方便業(yè)務(wù)人員的使用，管理員可以在任何地點查看使用情況，使數(shù)據(jù)的安全得到可靠的保證。第三種使采用REST設(shè)計的接口，能夠提高響應(yīng)速度，具有很高的性能、效率和易用性。第四種是JSON設(shè)計的數(shù)據(jù)交換的格式，這是一種方便閱讀和編寫的語言文本格式，可以跨平臺使用、跨系統(tǒng)使用、跨語言使用，通用性、靈活性和擴展性極強。第五種是Spring Boot框架，這種框架能夠?qū)崿F(xiàn)方便的部署和配置，可以提供XML配置和準(zhǔn)生產(chǎn)應(yīng)用監(jiān)控。

三、人工智能語音識別技術(shù)在廣電媒體中的應(yīng)用

利用人工智能語音識別技術(shù)搭建智能化發(fā)展平臺是廣電媒體未來發(fā)展中必然的趨勢，因此對人工智能語音技術(shù)的使用，就要明確人工智能語音技術(shù)能夠應(yīng)用在廣電媒體中的系統(tǒng)環(huán)節(jié)。

（一）文稿唱詞系統(tǒng)

利用文稿唱詞系統(tǒng)，采編人員可以很快地將音頻文件和口述的內(nèi)容轉(zhuǎn)變成文稿，這里需要注意的是，非普通話的文稿需要記者使用麥克風(fēng)進行跟讀識別。針對一些方言，系統(tǒng)可以利用方言聲學(xué)模型包進行識別，一方面提高了文字識別的效率，另一方面將錄音的定位、校正等問題一并解決。在晚會中進行錄制的音頻文件，系統(tǒng)可以對其進行降噪處理，解決好分句與分段的問題。

（二）內(nèi)容轉(zhuǎn)寫系統(tǒng)

內(nèi)容轉(zhuǎn)寫系統(tǒng)主要是將未進入媒資庫的視音頻的內(nèi)容形成語言內(nèi)容，為媒體文件生成自己的“文字名片”，然后將媒體文件與名片一起提交審核，這樣一來編目人員能夠通過“文字名片”獲取更多關(guān)于視音頻文件的信息，更好地進行編目工作，降低編目工作的差錯率。

（三）虛擬播報系統(tǒng)

虛擬主持人、智能語音機器人和主播音庫共同組成，在使用的過程中將文稿導(dǎo)入就可以進行配音工作，實現(xiàn)新聞的自動播報功能，在播報的過程中，能夠?qū)崿F(xiàn)對語速、響度、聲音模板等的調(diào)控，以便適應(yīng)特定場合的要求。二次元的虛擬主持人主要是利用動漫卡通虛擬的主持人進行自動播報，在底層語言合成服務(wù)的基礎(chǔ)上，對節(jié)目播報形式進行了創(chuàng)新。語音交互機器人能夠進行中文聽寫，對人機對話的識別率達到90%以上，能夠為廣播電視的需求提供對話內(nèi)容。

（四）第三方的接口服務(wù)

平臺通過提供應(yīng)用中的開發(fā)接口為第三方提供合成、語音識別等業(yè)務(wù)上的功能，其他的系統(tǒng)能夠?qū)?shù)據(jù)資源接入到語音云平臺中，利用智能融媒體實現(xiàn)對線索的分揀功能。通過融媒體線索匯聚的方式，可以將語音形成文字文件，將這些文字內(nèi)容按照用戶的需求進行分類，為用戶提供訂閱線索的服務(wù)，在內(nèi)容的選題策劃、生產(chǎn)發(fā)布等環(huán)節(jié)應(yīng)用得較多。

（五）融媒體會議系統(tǒng)

融媒體會議系統(tǒng)主要被應(yīng)用在廣電媒體的會議記錄中，在會議場景中根據(jù)采集信息實時轉(zhuǎn)化為文字內(nèi)容，用戶根據(jù)需要整理出會議要點。同時還可以將已經(jīng)錄好的音頻文件通過導(dǎo)入轉(zhuǎn)寫成文字內(nèi)容，轉(zhuǎn)寫的過程中自動將會議的重點內(nèi)容進行標(biāo)記，能夠通過雙擊文字回聽與之相關(guān)的音頻文件，使音頻與文字相對應(yīng)。通過對語氣詞的過濾、內(nèi)容的分段還可以讓記錄人員更有效地理解音頻文件，用戶還可以通過檢索等功能將會議模板導(dǎo)出，形成會議紀(jì)要內(nèi)容。

四、人工智能語音技術(shù)的資源數(shù)據(jù)庫

（一）對信息進行采集

廣電媒體的日常工作中包括對節(jié)目制作、內(nèi)容編目、節(jié)目播報和會議記錄等，為了提高這些工作的轉(zhuǎn)寫效果，需要對相關(guān)的有用信息進行采集，并且利用具有科學(xué)性和針對性的方式對語音轉(zhuǎn)寫進行優(yōu)化，達到智能的要求。在這樣的基礎(chǔ)上形成相應(yīng)的信息資源數(shù)據(jù)庫，能夠有效地進行保存。

（二）對數(shù)據(jù)庫規(guī)范上的要求

數(shù)據(jù)庫在使用上有相關(guān)的要求規(guī)范，主要包括以下幾個方面：第一，能夠支持多個用戶在聯(lián)機時進行業(yè)務(wù)處理，滿足多個用戶對訪問數(shù)據(jù)庫的相關(guān)要求。第二，技術(shù)使用具有較高的可靠性，且為了保證效果更好，要具備高容錯能力和自恢復(fù)能力。第三，分布數(shù)據(jù)源和異構(gòu)數(shù)據(jù)源使用具有相應(yīng)的支持，數(shù)據(jù)能夠自動復(fù)制且多個副本之間的數(shù)據(jù)同步工作要做好。第四，能夠提供相應(yīng)的安全管理機制。第五，能夠提供一套軟件開發(fā)工具，支持軟件開發(fā)使用的整個周期。

五、結(jié)束語

從現(xiàn)階段人工智能語音技術(shù)在廣電媒體中的實際應(yīng)用來看，這種全新的技術(shù)在媒體中的實際應(yīng)用并不多，且有待進一步的研究和探討。綜合來說，人工智能語音技術(shù)在廣電媒體中的使用主要在文稿唱詞、虛擬播報、內(nèi)容轉(zhuǎn)寫、融媒體會議和第三方接口服務(wù)幾個方面。這些功能的使用極大地提高了廣電媒體的工作效率，提升傳統(tǒng)的工作效率。未來廣電媒體的發(fā)展，更應(yīng)該注重人工智能語音技術(shù)的使用，根據(jù)相應(yīng)的規(guī)范合理進行使用，只有使用到位才有可能推動廣電媒體的進一步發(fā)展，跟上新媒體發(fā)展的步伐，推動行業(yè)整體邁上更高的發(fā)展臺階。