楊鑫悅

（北京師范大學(xué)文學(xué)院 北京 100875）

近年來(lái)，隨著人工智能技術(shù)的進(jìn)一步開(kāi)發(fā)，語(yǔ)音識(shí)別、語(yǔ)音合成、大數(shù)據(jù)評(píng)測(cè)等方面都取得了顯著進(jìn)展，機(jī)器人AI 合成主播也應(yīng)運(yùn)而生。2018年11月7日，在第五屆世界互聯(lián)網(wǎng)大會(huì)上，新華社客戶端與搜狗共同發(fā)布了全球首個(gè)合成新聞主播—AI合成主播“新小浩”。AI合成主播提取了新聞廣播中真人主播的語(yǔ)音、唇形、面部表情和動(dòng)作特征，集合語(yǔ)音合成、算法模型、深度學(xué)習(xí)等技術(shù)而成。

2018年，全球首個(gè)仿真智能AI 主持人誕生；2019年，全球首個(gè)阿拉伯語(yǔ)和俄語(yǔ)合成主播誕生；2020年，全球首個(gè)3D版AI合成主播誕生。人工智能的迅速發(fā)展吸引了諸多學(xué)者的注意，對(duì)AI 合成主播的研究不再拘泥于計(jì)算機(jī)技術(shù)，新聞傳播、播音主持等領(lǐng)域都出現(xiàn)了相應(yīng)的研究成果。

馮梅（2021）在《人工智能背景下AI 合成主播的發(fā)展之路》一文中分析了AI 合成主播的優(yōu)勢(shì)和短板，對(duì)其未來(lái)發(fā)展持積極態(tài)度。郁江蘭（2020）分析了新華社AI合成主播2020年疫情新聞報(bào)道中內(nèi)容、技術(shù)和形式的特點(diǎn)，探討了媒體整合背景下人工智能合成主播的發(fā)展前景。宋國(guó)澳、麥夢(mèng)佳（2020）將新小萌、新小浩、Lisa等新華社AI 合成主播作為家族，整體研究并歸納了智媒時(shí)代新聞播報(bào)的新特征及發(fā)展困境。

筆者在中國(guó)知網(wǎng)上搜索“AI主播”時(shí)，共出現(xiàn)141篇文章，但附加關(guān)鍵詞“語(yǔ)音”之后，僅出現(xiàn)4篇文章，而這4 篇文章均與行業(yè)的發(fā)展前景、人工智能的利弊相關(guān)，而與語(yǔ)音本體關(guān)系不大。唯一一篇與語(yǔ)音相關(guān)的文章《AI播音與人工播音的語(yǔ)音差異性考察》，從速度、發(fā)音、停頓和重音等角度分析了AI 播音與人工廣播的差異，但文章數(shù)據(jù)多與語(yǔ)料統(tǒng)計(jì)相關(guān)，涉及到語(yǔ)音本體的考察較少，且關(guān)于AI 語(yǔ)音準(zhǔn)確與否的界定并不明晰。因此，本文從語(yǔ)音相關(guān)要素入手，收集樣本語(yǔ)料，用Praat 軟件進(jìn)行聲學(xué)分析，比較新華社手機(jī)客戶端AI 主播與新聞聯(lián)播主持人在語(yǔ)速、發(fā)音、停頓等方面的區(qū)別，討論AI 播音的語(yǔ)音特點(diǎn)。

一、新華社手機(jī)客戶端AI合成主播的語(yǔ)音特點(diǎn)

（一）AI合成主播的播音語(yǔ)速

語(yǔ)速是指單位時(shí)間內(nèi)人們?cè)趥鬟f信息和溝通交流時(shí)呈現(xiàn)的詞匯數(shù)量，通常講話速度是相對(duì)的。正常情況下，使用現(xiàn)代漢語(yǔ)表達(dá)意思和傳播信息時(shí)，人們的語(yǔ)速約為240個(gè)音節(jié)/分鐘，經(jīng)過(guò)數(shù)據(jù)統(tǒng)計(jì)，廣播電視新聞播音的語(yǔ)速為300個(gè)音節(jié)/分鐘。

播音語(yǔ)速是指播音員播報(bào)稿件的速度，在數(shù)學(xué)上的計(jì)算方式為，播音語(yǔ)速=播報(bào)稿件總字?jǐn)?shù)÷播報(bào)時(shí)間，播音語(yǔ)速的單位一般為音節(jié)/分鐘。聽(tīng)眾對(duì)播音語(yǔ)速快慢的感受受到很多方面影響，比如播音員個(gè)人的播音風(fēng)格和特點(diǎn)、播音技巧、說(shuō)話節(jié)奏和語(yǔ)氣等。

本文隨機(jī)選取新華社app內(nèi)從2021年7月20日到8月18日30天內(nèi)每日一篇AI主播播報(bào)的時(shí)政新聞作為樣本語(yǔ)料，統(tǒng)計(jì)稿件字?jǐn)?shù)（含非中文單詞，不計(jì)空格）與播報(bào)時(shí)間，計(jì)算AI 播音語(yǔ)速。同時(shí)，在相同時(shí)間段內(nèi)，每日選取一篇央視頻app內(nèi)《新聞聯(lián)播》節(jié)目的國(guó)內(nèi)聯(lián)播快訊為對(duì)照語(yǔ)料，按照相同方式計(jì)算播音員的播音語(yǔ)速。鑒于新華社app中AI主播播報(bào)的新聞和《新聞聯(lián)播》聯(lián)播快訊的時(shí)間基本都為20-30秒，所以在統(tǒng)計(jì)播音語(yǔ)速時(shí)，單位統(tǒng)一為字符/秒。

通過(guò)對(duì)比30 天內(nèi)的兩組數(shù)據(jù)，發(fā)現(xiàn)AI 播音的平均語(yǔ)速4.98 字符/秒，播音員播音的平均語(yǔ)速為5.02 字符/秒，AI 播音的平均語(yǔ)速比播音員慢，但兩者差距不大，每秒相差0.04個(gè)字符，即每分鐘相差2.4個(gè)字符。

通過(guò)計(jì)算，AI播音語(yǔ)速的標(biāo)準(zhǔn)差為0.37，播音員播音語(yǔ)速的標(biāo)準(zhǔn)差為0.40，可見(jiàn)AI 播音語(yǔ)速的標(biāo)準(zhǔn)差較小，數(shù)值較為平均，波動(dòng)較少，而播音員的播音語(yǔ)速存在一定波動(dòng)。因此，聽(tīng)眾在收聽(tīng)AI 合成主播播報(bào)的新聞時(shí)，由于不同新聞的播報(bào)語(yǔ)速和播音風(fēng)格相差較小，收聽(tīng)新聞的新鮮感可能維持在較低水平。而播音員對(duì)不同新聞的播報(bào)風(fēng)格有所不同，或莊重大方、或簡(jiǎn)潔明快，播報(bào)節(jié)奏影響播音語(yǔ)速，使聽(tīng)眾的聽(tīng)覺(jué)和心理在接受信息時(shí)產(chǎn)生波動(dòng)。

此外，在聲音傳播中，漢語(yǔ)語(yǔ)句內(nèi)部的詞與詞之間也會(huì)產(chǎn)生聚合現(xiàn)象，呈現(xiàn)“詞團(tuán)”的狀態(tài)，詞與詞的聚合速度也會(huì)對(duì)播音語(yǔ)速產(chǎn)生一定影響。經(jīng)過(guò)對(duì)比考察，發(fā)現(xiàn)在人工播音中，“自由貿(mào)易試驗(yàn)區(qū)臨港新片區(qū)”“氫能產(chǎn)業(yè)發(fā)展實(shí)施方案”“同江中俄跨江鐵路大橋”等詞語(yǔ)聚合詞團(tuán)的播音語(yǔ)速較快，而新聞中表示并列、遞進(jìn)等關(guān)系的“完善法制”“推動(dòng)發(fā)行交易管理分類趨同”“提升信息披露”等詞團(tuán)的播報(bào)語(yǔ)速較慢。而對(duì)于AI 播音而言，不同詞團(tuán)的播音語(yǔ)速差別不大。

（二）AI合成主播的發(fā)音特點(diǎn)

本文選取8月20日新華社app 中AI 合成主播“新小浩”播報(bào)的《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進(jìn)程2020年度報(bào)告〉在寧夏發(fā)布》和8月19日《新聞聯(lián)播》中嚴(yán)於信播報(bào)的《習(xí)近平向第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)致賀信》兩篇新聞中“第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)”這幾個(gè)字的讀音作為研究對(duì)象。AI 主播“新小浩”原型為新華社主播邱浩，與新聞聯(lián)播主持人嚴(yán)於信均為35歲左右男性。

提取以上兩篇新聞的語(yǔ)音信息后，本文利用計(jì)算機(jī)語(yǔ)音圖像分析軟件Praat，對(duì)音頻和數(shù)據(jù)進(jìn)行處理，同時(shí)生成單元音[a][i][u]、輔音[k][t?]的語(yǔ)譜圖，并計(jì)算元音的共振峰數(shù)據(jù)、輔音的VOT 時(shí)間，繪制四聲聲調(diào)調(diào)型圖，對(duì)比分析AI主播和播音員在讀音方面的異同。

1.元音

1）對(duì)元音[a]的分析

圖1：AI主播[a]語(yǔ)譜圖

圖2：播音員[a]語(yǔ)譜圖

通過(guò)對(duì)AI 主播和播音員的“阿”樣本分析，得到兩幅語(yǔ)譜圖。計(jì)算共振峰得知，新華社AI 主播[a]的F1=971.14，F(xiàn)2=1056.58；新聞聯(lián)播播音員[a]的F1=838.47，F(xiàn)2=1509.76。

總體來(lái)說(shuō)，[a]是前低不圓唇元音，第一共振峰頻率比較高，第一共振峰頻率和第二共振峰頻率差別不大。相比播音員[a]音，AI主播[a]音的F1較高，F(xiàn)2較低，即開(kāi)口度相對(duì)較大，舌位相對(duì)靠后。

2）對(duì)元音[i]的分析

通過(guò)對(duì)AI 主播和播音員的“第”樣本韻母的分析，得到兩幅語(yǔ)譜圖。計(jì)算共振峰得知，新華社AI主播[i]音的F1=1015.59，F(xiàn)2=2452.78；新聞聯(lián)播播音員[i]音的F1=999.03，F(xiàn)2=2398.99。

總體來(lái)說(shuō)，[i]是前高不圓唇元音，第一共振峰頻率比較低，第一共振峰頻率和第二共振峰頻率差別較大。相比播音員[i]音，AI 主播[i]音的F1 和F2 都偏高，即開(kāi)口度相對(duì)較大，舌位相對(duì)靠前。

3）對(duì)元音[u]的分析

通過(guò)對(duì)AI 主播和播音員的“五”樣本韻母的分析，得到兩幅語(yǔ)譜圖。計(jì)算共振峰得知，新華社AI 主播[u]音的F1=742.85，F(xiàn)2=2180.42；新聞聯(lián)播播音員[u]音的F1=623.77，F(xiàn)2=2037.03。

總體來(lái)說(shuō)，[u]是后高圓唇元音，第一共振峰頻率比較低，第一共振峰頻率和第二共振峰頻率差別較大。相比播音員[u]音，AI主播[u]音的F1和F2都偏高，即開(kāi)口度相對(duì)較大，舌位相對(duì)靠前。

2.輔音

1）對(duì)輔音[k]的分析

圖7：AI主播[k]語(yǔ)譜圖

圖8：播音員[k]語(yǔ)譜圖

VOT表示嗓音的起始時(shí)間，即從輔音除阻到聲帶振動(dòng)之間經(jīng)過(guò)的時(shí)間。新聞報(bào)道“第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)”中“國(guó)”的輔音[k]是不送氣清塞音，本文通過(guò)對(duì)AI 主播和播音員的“國(guó)”樣本分析，發(fā)現(xiàn)兩篇新聞中輔音[k]的VOT均約0-5毫秒。

2）對(duì)輔音[t]的分析

圖9：AI主播[t]語(yǔ)譜圖

圖10：播音員[t]語(yǔ)譜圖

本文又對(duì)AI 合成主播播報(bào)的《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進(jìn)程2020年度報(bào)告〉在寧夏發(fā)布》中“投資”的“投”，以及《新聞聯(lián)播》中《習(xí)近平向第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)致賀信》中“推動(dòng)”的“推”進(jìn)行樣本語(yǔ)譜圖分析，“投”和“推”的輔音均為送氣清塞音[t]。本文通過(guò)對(duì)AI 主播和播音員的“投”和“推”樣本分析，發(fā)現(xiàn)兩篇新聞中輔音[t?]的VOT 均約超過(guò)50 毫秒，AI 播音[t?]的VOT為68毫秒，播音員播音[t?]的VOT為55毫秒。

3.聲調(diào)

本文選取AI 合成主播播報(bào)的《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進(jìn)程2020年度報(bào)告〉在寧夏發(fā)布》和《新聞聯(lián)播》中《習(xí)近平向第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)致賀信》兩篇新聞中“第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)”中“阿”“伯”“覽”“會(huì)”四個(gè)字作為聲調(diào)的研究對(duì)象，利用15點(diǎn)聲調(diào)腳本，繪制了AI主播和播音員的四聲調(diào)型圖。

在趙元任提出的五度標(biāo)度法中，現(xiàn)代漢語(yǔ)普通話四個(gè)聲調(diào)的五度值分別為：陰平55、陽(yáng)平35、上聲214、去聲51，同時(shí)，一個(gè)聲調(diào)可以有各種調(diào)位變體。通過(guò)觀察AI主播和播音員的四聲調(diào)型圖，可以發(fā)現(xiàn)兩者對(duì)陰平例字“阿”的讀音都屬于平調(diào)，讀起來(lái)高而平；陽(yáng)平例字“伯”的讀音，讀起來(lái)由中逐漸升高，AI主播讀音比播音員讀音的音調(diào)更高；上聲例字“覽”的讀音，讀起來(lái)由半高降低到低再升至次高，AI 主播和播音員讀音音調(diào)相似，但AI 主播音節(jié)中間的調(diào)值沒(méi)有降至適當(dāng)位置，存在調(diào)值不準(zhǔn)確的問(wèn)題；去聲例字“會(huì)”的讀音，讀起來(lái)由高降到低，AI 主播讀音的音調(diào)過(guò)低，且音節(jié)中音高走勢(shì)變化不明顯。

總體來(lái)說(shuō)，相對(duì)于播音員讀音，AI 主播讀音陰平和去聲的音調(diào)較低，上聲和去聲存在調(diào)值不準(zhǔn)確的問(wèn)題，音節(jié)中音高曲折起落的變化不顯著，上聲音節(jié)中間調(diào)值音調(diào)偏高，去聲從高音到低音的音高走勢(shì)過(guò)于平緩。

二、AI合成主播的播音停頓

通過(guò)觀察AI 主播和播音員分別播報(bào)的30 篇新聞樣本，可以發(fā)現(xiàn)兩者的播音停頓主要以標(biāo)點(diǎn)符號(hào)作為依據(jù)。標(biāo)點(diǎn)符號(hào)不僅是書(shū)面語(yǔ)的組成部分，也是輔助書(shū)面語(yǔ)記錄的符號(hào)，它用來(lái)表達(dá)停頓、語(yǔ)氣以及詞語(yǔ)的性質(zhì)和功能，其在口頭語(yǔ)言中的表現(xiàn)就是時(shí)間間隔。

新聞開(kāi)頭部分的導(dǎo)語(yǔ)，比如介紹新聞時(shí)間、地點(diǎn)、背景、人物等的“硬式導(dǎo)語(yǔ)”一般不含有標(biāo)點(diǎn)符號(hào)。播音員在播報(bào)新聞時(shí)，會(huì)在口語(yǔ)中自然加入句中停頓，方便聽(tīng)眾區(qū)分理解，而AI 主播無(wú)法自主識(shí)別句中的詞語(yǔ)關(guān)系，一般不會(huì)做出停頓。比如，《〈中阿經(jīng)貿(mào)關(guān)系發(fā)展進(jìn)程2020年度報(bào)告〉在寧夏發(fā)布》這篇新聞的導(dǎo)語(yǔ)“在19日于寧夏舉行的第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)工商峰會(huì)上，中英文版《中阿經(jīng)貿(mào)關(guān)系發(fā)展進(jìn)程2020年度報(bào)告》正式發(fā)布。”AI 主播只在破折號(hào)、逗號(hào)、句號(hào)三個(gè)地方有所停頓，而對(duì)時(shí)間、地點(diǎn)、事件等名詞的連用不做停頓處理，這不符合聽(tīng)眾接受信息的規(guī)律和習(xí)慣，易使聽(tīng)眾覺(jué)得單一、混淆。

反觀播音員播報(bào)的《習(xí)近平向第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)致賀信》這篇新聞的導(dǎo)語(yǔ)“8月19日，國(guó)家主席習(xí)近平向第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)致賀信?！本渲腥宋铩皣?guó)家主席習(xí)近平”和事件“向第五屆中國(guó)—阿拉伯國(guó)家博覽會(huì)致賀信”之間雖然沒(méi)有標(biāo)點(diǎn)符號(hào)，但播音員會(huì)根據(jù)聽(tīng)眾聽(tīng)音習(xí)慣，自覺(jué)加入句中停頓。

總體來(lái)說(shuō)，AI 主播播報(bào)新聞的停頓絕大多數(shù)依賴標(biāo)點(diǎn)符號(hào)，且每次停頓的時(shí)間間隔基本相同；而播音員播報(bào)新聞時(shí)的句中停頓較為靈活，主要包括根據(jù)自身氣息需要的生理停頓、反映語(yǔ)法關(guān)系的語(yǔ)法停頓、加強(qiáng)節(jié)奏感的音節(jié)停頓，以及突出語(yǔ)義的強(qiáng)調(diào)停頓。此外，播音員還會(huì)根據(jù)停頓的重要與否，調(diào)整每次停頓時(shí)間，使聽(tīng)眾的聽(tīng)覺(jué)感受更加豐富。

三、AI合成主播在新聞播報(bào)中的優(yōu)勢(shì)和不足

AI 主播自從在新華社移動(dòng)客戶端上線以來(lái)，已經(jīng)播報(bào)了一萬(wàn)多條新聞。在媒體融合時(shí)代，它實(shí)現(xiàn)了新聞播報(bào)主體、播報(bào)內(nèi)容、播報(bào)過(guò)程的智能化。新華社AI 合成主播的研究團(tuán)隊(duì)采用人臉識(shí)別、語(yǔ)音識(shí)別等技術(shù)，提取社內(nèi)真人主播的發(fā)音特點(diǎn)及說(shuō)話的動(dòng)作習(xí)慣，使AI 主播在語(yǔ)音和外形上更接近真實(shí)主播。

實(shí)際操作中，將新聞文字內(nèi)容輸入機(jī)器后，AI 主播就可以進(jìn)行實(shí)時(shí)播報(bào)，不受時(shí)間、空間的限制，能夠全天候參與新聞播音，因此，相比真人主播，AI 播音具有更強(qiáng)的時(shí)效性。此外，通過(guò)機(jī)器合成的語(yǔ)音雖然在發(fā)音上存在小問(wèn)題，但總體來(lái)說(shuō)，AI 算法也有助于提升新聞播報(bào)的準(zhǔn)確度和可信度。

2016年開(kāi)始，短視頻流行于網(wǎng)絡(luò)平臺(tái)，逐漸成為信息傳播的重要載體。筆者統(tǒng)計(jì)新華社手機(jī)客戶端“AI 主播”欄目的新聞后，發(fā)現(xiàn)欄目主要播報(bào)幾十秒的短新聞，大多數(shù)新聞的播報(bào)時(shí)間為20-30秒，AI播報(bào)在有限時(shí)間內(nèi)整合零散信息，將核心內(nèi)容迅速傳達(dá)給聽(tīng)眾，增強(qiáng)了用戶體驗(yàn)。

但AI 新聞播報(bào)也面臨一些發(fā)展困境。AI 主播的播報(bào)形式局限于播報(bào)式，基本不會(huì)涉及新聞的另兩種播報(bào)方式—宣讀式和談話式。由于目前人工智能技術(shù)在人機(jī)交互方面還有待繼續(xù)研究，所以AI 合成主播還無(wú)法參與涉及到交流對(duì)話、談話技巧的新聞采訪、直播、訪談等工作。

視覺(jué)呈現(xiàn)方面，AI 主播雖然在外形上接近真人主播，但播報(bào)過(guò)程中面部肌肉、嘴型、表情的變化，還不能與文字內(nèi)容標(biāo)準(zhǔn)契合。聽(tīng)覺(jué)感受方面，AI 主播的語(yǔ)速較真人主播偏慢，發(fā)音上存在單元音開(kāi)口度偏大，聲調(diào)曲折變化程度不夠明顯等問(wèn)題，句中停頓調(diào)整也不靈活。因此，聽(tīng)眾在觀察主播和收聽(tīng)新聞時(shí)，可能會(huì)有一定的違和感和不適應(yīng)。

此外，AI 主播在播音時(shí)缺少情感，語(yǔ)音播報(bào)中缺乏重音的強(qiáng)調(diào)和句子之間的語(yǔ)氣變化，播報(bào)不同新聞的語(yǔ)速、停頓基本相同，很難引起聽(tīng)眾收聽(tīng)新聞的情感共鳴。

結(jié)語(yǔ)

本文從語(yǔ)速、發(fā)音、停頓三方面，分別考察了AI 播音和人工播音的語(yǔ)音特點(diǎn)，通過(guò)比較音頻、分析語(yǔ)譜圖和調(diào)型圖數(shù)據(jù)，發(fā)現(xiàn)目前AI 合成播音已經(jīng)取得了顯著發(fā)展，在新聞播音界占據(jù)一席之地。但AI 播音與人工播音仍存在一些差異，語(yǔ)速方面，AI 播音語(yǔ)速較慢，波動(dòng)較?。蝗斯げヒ粽Z(yǔ)速較快，波動(dòng)稍大。發(fā)音發(fā)面，AI 播音的單元音[i][u]的開(kāi)口度相對(duì)較大，舌位相對(duì)靠前；人工播音的單元音[i][u]的開(kāi)口度相對(duì)較小，舌位相對(duì)靠后。AI播音和人工播音中不送氣清塞音[k]的VOT均約0-5毫秒，送氣清塞音[t?]的VOT均超過(guò)50毫秒。停頓方面，AI播音基本依靠標(biāo)點(diǎn)符號(hào)判斷停頓；人工播音的停頓除了依靠標(biāo)點(diǎn)符號(hào)，還有生理停頓、音節(jié)停頓、強(qiáng)調(diào)停頓等。

AI 播音實(shí)現(xiàn)了新聞播報(bào)的智能化，提高了新聞的時(shí)效性和可信度，播報(bào)內(nèi)容簡(jiǎn)練，聚合能力強(qiáng)。但其在播報(bào)形式、視覺(jué)呈現(xiàn)、聽(tīng)覺(jué)感受、情感互動(dòng)上的功能比較有限，這也是未來(lái)智能語(yǔ)音技術(shù)在AI研究中的重點(diǎn)。

AI 合成主播的出現(xiàn)印證了科學(xué)技術(shù)的發(fā)展，也預(yù)示著新聞傳播在方式上的轉(zhuǎn)變趨勢(shì)，但它不會(huì)取代傳統(tǒng)主播而獨(dú)立存在，隨著人工智能在媒介融合領(lǐng)域的嘗試，人機(jī)將加強(qiáng)協(xié)同創(chuàng)新，走向合作共贏的局面。對(duì)此，我們應(yīng)該秉持積極態(tài)度，期待計(jì)算機(jī)和語(yǔ)言學(xué)領(lǐng)域的學(xué)者不斷探索、研發(fā)、應(yīng)用，提升智能語(yǔ)音技術(shù)，促進(jìn)新聞主持行業(yè)的繁榮振興。■