■文/程 輝

在生成式人工智能時(shí)代，有聲書行業(yè)的生產(chǎn)流程將重塑，生產(chǎn)力會(huì)有突破性提高。

隨著人工智能（Artificial Intelligence，AI）技術(shù)的不斷發(fā)展，聊天生成式預(yù)訓(xùn)練模型（Chat Generative Pre-trained Transformers，ChatGPT）橫空出世，我們迎來了生成式人工智能（Artificial Intelligence Generated Content，AIGC）時(shí)代。

AI 正加速滲透各行各業(yè)，以塑造產(chǎn)業(yè)新范式，一場新的生產(chǎn)力與創(chuàng)造力革命蓄勢待發(fā)。AI 語音技術(shù)是AIGC 領(lǐng)域的重要分支之一，隨著AI 技術(shù)的發(fā)展，其角色功能、產(chǎn)品服務(wù)和行業(yè)生態(tài)等都發(fā)生了巨大的變化。

AIGC 影響各行各業(yè)

2022 年，ChatGPT 憑借其在語義理解、文本創(chuàng)作、代碼編寫、邏輯推理、知識(shí)問答等方面的卓越表現(xiàn)，以及自然語言對話的低門檻交互方式，迅速躥紅網(wǎng)絡(luò)，收獲了大批用戶。ChatGPT-4 引起了人們對AIGC 的廣泛關(guān)注。第50 次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2022 年6 月，中國互聯(lián)網(wǎng)普及率已高達(dá)74.4%。在網(wǎng)民規(guī)模不斷提升、網(wǎng)絡(luò)接入環(huán)境日漸多元、AI 技術(shù)助推行業(yè)數(shù)字化轉(zhuǎn)型升級的宏觀環(huán)境下，作為新型內(nèi)容生產(chǎn)方式的AIGC 技術(shù)，為行業(yè)轉(zhuǎn)型的落地提供了想象空間。

AIGC 是一種基于人工智能技術(shù)的自動(dòng)化內(nèi)容生成系統(tǒng)，可以使用機(jī)器學(xué)習(xí)和自然語言處理（Natural Language Processing，NLP）等技術(shù)，學(xué)習(xí)和分析海量數(shù)據(jù)，讓計(jì)算機(jī)模擬人類的創(chuàng)造力和判斷力，自動(dòng)生成符合人類需求的各種文本、圖像、音頻和視頻等多媒體內(nèi)容。

AIGC 興起主要源于自然語言處理和擴(kuò)散模型（Diffusion Model）的發(fā)展與開源。20世紀(jì)50年代，計(jì)算機(jī)科學(xué)家就開始嘗試使用計(jì)算機(jī)生成語言模型。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)的不斷突破，AIGC 技術(shù)得到了快速的發(fā)展。

AIGC 是一次新技術(shù)革命，具有極強(qiáng)的普適性，可以改造和升級人類生產(chǎn)、生活的方方面面。它的發(fā)展分為3 個(gè)時(shí)期：醞釀萌芽階段（20 世紀(jì)50年代至90 年代中期）、穩(wěn)步推進(jìn)階段（20 世紀(jì)90 年代中期至21 世紀(jì)第二個(gè)十年中期），以及迅猛發(fā)展階段（21 世紀(jì)第二個(gè)十年中期至今）。

在醞釀萌芽階段，AIGC 處于實(shí)驗(yàn)室探索中。在穩(wěn)步推進(jìn)階段，隨著算法的不斷優(yōu)化，AIGC 逐步出現(xiàn)在各式各樣的應(yīng)用場景和商業(yè)模式中，在圖像、音樂、視頻等領(lǐng)域得到了廣泛應(yīng)用。在迅猛發(fā)展階段，AIGC 開始與其他技術(shù)深度融合，如自然語言處理、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等，融合后，AIGC 更加全面，可以實(shí)現(xiàn)更復(fù)雜、更高級的內(nèi)容生成和創(chuàng)作等。

艾瑞咨詢2023 年發(fā)布的《AIGC 系列報(bào)告——中國AIGC 產(chǎn)業(yè)全景報(bào)告》指出，內(nèi)容生成與理解是大模型的核心能力，AIGC 的產(chǎn)業(yè)價(jià)值主要體現(xiàn)在以此為核心的“變革內(nèi)容生產(chǎn)方式”與“變革人機(jī)交互方式”兩方面。大模型對內(nèi)容理解和內(nèi)容生成的雙向能力使AIGC 既能以極低門檻實(shí)現(xiàn)多模態(tài)內(nèi)容生成，也可脫離內(nèi)容生產(chǎn)核心場景泛化為一種人機(jī)對話的媒介。基于此種理解，AIGC 將實(shí)現(xiàn)內(nèi)容創(chuàng)作權(quán)的下放，借助針對各垂直領(lǐng)域衍生的大量AI 生產(chǎn)工具，實(shí)現(xiàn)全行業(yè)內(nèi)容生產(chǎn)效率的飛升。

AIGC 會(huì)引發(fā)內(nèi)容行業(yè)巨變。2023 年9 月21 日，愛奇藝創(chuàng)始人、首席執(zhí)行官龔宇在“2023 愛奇藝iJOY 悅享會(huì)”上分享了他對行業(yè)的最新思考。在他看來，AI 在影視內(nèi)容策劃、開發(fā)、制作以及宣發(fā)等方面將有重要的應(yīng)用空間。其實(shí)，不僅在影視行業(yè)，AIGC 還會(huì)在許多其他內(nèi)容行業(yè)如編輯出版、新聞、設(shè)計(jì)等的生產(chǎn)端、分發(fā)端、產(chǎn)業(yè)端重構(gòu)生產(chǎn)模式。

AIGC 可幫助教育行業(yè)突破傳統(tǒng)教育模式及人工生產(chǎn)效率的限制，實(shí)施個(gè)性化教學(xué)、智能輔導(dǎo)、自動(dòng)化評估，構(gòu)建在線學(xué)習(xí)平臺(tái)以及提供全面的管理。它的介入會(huì)提升教學(xué)效率和質(zhì)量，實(shí)現(xiàn)個(gè)性化教育和精準(zhǔn)教育，助力教育行業(yè)的數(shù)字化轉(zhuǎn)型和教學(xué)模式的變革。

AIGC 與金融業(yè)的結(jié)合也格外引人注目。目前，摩根士丹利、彭博、德意志銀行等都已有初具雛形的應(yīng)用落地。有學(xué)者指出，AIGC 可以在金融行業(yè)中的客戶服務(wù)、產(chǎn)品創(chuàng)新、智慧辦公、研發(fā)管理、監(jiān)管合規(guī)知識(shí)庫建設(shè)和代碼開發(fā)等方面發(fā)揮作用。有了AIGC 的加持，金融行業(yè)將發(fā)生質(zhì)的蛻變。

對網(wǎng)絡(luò)視聽行業(yè)而言，置身以內(nèi)容分發(fā)平臺(tái)為核心的內(nèi)容消費(fèi)賽道，連接供應(yīng)端的創(chuàng)作者和需求端的大量用戶，線上內(nèi)容資源是最核心的生產(chǎn)力，創(chuàng)作者需要將內(nèi)容質(zhì)量保持在可持續(xù)吸引用戶注意力的水平。AIGC 主要影響的是內(nèi)容創(chuàng)作與人機(jī)交互，線上化程度越高、內(nèi)容占比越大的行業(yè)，變革越深刻和廣泛。由此，它的入局對業(yè)態(tài)而言勢必是一場深刻的顛覆與變革。

語音合成技術(shù)進(jìn)入有聲書行業(yè)

近年來，國內(nèi)各大互聯(lián)網(wǎng)巨頭的發(fā)展軌跡都有一個(gè)“共性”：利用AI 技術(shù)賦能傳統(tǒng)行業(yè)。AI語音技術(shù)作為AIGC 的重要分支之一，被應(yīng)用于傳統(tǒng)有聲書出版業(yè)，為有聲書行業(yè)重塑生產(chǎn)流程、提高生產(chǎn)力提供了可能性。

AI 語音技術(shù)包括語音識(shí)別（Automatic Speech Recognition，ASR）、自然語言處理和語音合成（Text to Speech，TTS）等三大技術(shù)。其中，語音合成技術(shù)在有聲書行業(yè)的生產(chǎn)端已顯現(xiàn)出強(qiáng)大的生產(chǎn)力。

語音合成是將計(jì)算機(jī)自己產(chǎn)生的或外部輸入的文字信息轉(zhuǎn)變?yōu)榭谡Z輸出的技術(shù)。它涉及聲學(xué)、語言學(xué)、數(shù)字信號處理、計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科，主攻如何將文字信息轉(zhuǎn)化為可聽的聲音信息，讓機(jī)器像人一樣開口說話。不同于錄音機(jī)式的聲音回放設(shè)備，語音合成是將任意文本轉(zhuǎn)換成具有高自然度的語音。

語音合成流水線包含文本前端（text frontend）、聲學(xué)模型（acoustic model）和聲碼器（vocoder）等3 個(gè)主要模塊。語音合成的流程是：通過文本前端模塊將原始文本轉(zhuǎn)換為字符/音素；通過聲學(xué)模型將字符/ 音素轉(zhuǎn)換為聲學(xué)特征，如線性頻譜圖、mel 頻譜圖、LPC特征等；通過聲碼器將聲學(xué)特征轉(zhuǎn)換為波形，最終合成語音。

隨著AI 的進(jìn)步，神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等技術(shù)出現(xiàn)，“TTS+AI”的組合使得電子合成語音愈發(fā)自然和準(zhǔn)確。針對情感起伏大、音色個(gè)性化、聲線多元、貼合人聲等更精細(xì)化的需求，目前已有AI 語音廠商提供“情感TTS”定制，旨在通過調(diào)整音色的語調(diào)、音高、語速，甚至模擬人類的生氣、傷心、高興等語氣，讓電子合成語音符合語境或場景，具有“情感”。

得益于互聯(lián)網(wǎng)技術(shù)發(fā)展與移動(dòng)終端的普及，近年來，人們更青睞于“內(nèi)化”的居家生活方式，有聲讀物市場呈爆發(fā)式增長。智研咨詢認(rèn)為，2023 年中國有聲讀物市場規(guī)模有望突破100億元（見圖1）。

圖1 2015—2023 年中國有聲讀物行業(yè)市場規(guī)模

有聲書行業(yè)的傳統(tǒng)制作流程由人工手動(dòng)操作。審聽音頻、拼接多名主播的人聲、制作后期墊樂等依靠純?nèi)斯ね瓿?，僅20 萬字的讀物需要耗費(fèi)近1 個(gè)月的時(shí)間才能完成制作。此外，有聲書行業(yè)存在大量重復(fù)勞動(dòng)的工作，準(zhǔn)入門檻低，從業(yè)人員多由利用閑散時(shí)間發(fā)展副業(yè)的兼職人員組成，內(nèi)容裂變雖然增長迅速，優(yōu)質(zhì)精品卻是鳳毛麟角，目前尚未形成行之有效、監(jiān)管有力的行業(yè)規(guī)范?，F(xiàn)存有聲書普遍存在制作流程周期長、成本高、質(zhì)量不穩(wěn)定、水平良莠不齊的問題，傳統(tǒng)低效的制作方式很難滿足井噴式增長的有聲書市場需求。AI 入局，其內(nèi)容創(chuàng)作方式與人機(jī)交互模式會(huì)充分發(fā)揮技術(shù)優(yōu)勢，為有聲書行業(yè)的轉(zhuǎn)型提供參考路徑。

首先，AI 音色具有高擬人度、高流暢度的特色。語音合成平臺(tái)能提供多樣化、個(gè)性化的音色，可模擬人在不同場景下的語氣、狀態(tài)與情感，在一定程度上媲美真人，其提供的大量音色素材，為有聲書創(chuàng)作奠定了技術(shù)基礎(chǔ)。

其次，有聲讀物的制作周期縮短。TTS 技術(shù)在短時(shí)間內(nèi)將海量文本生成語音，極大地縮短了錄制時(shí)間。例如，在Reflect Audio 推出的有聲讀物制作平臺(tái)上，AI 主播的制作速度超過500 萬字/天。

最后，制作成本降低。用AI 代替真人，音色可從語音合成平臺(tái)提供的豐富音色中選擇，實(shí)實(shí)在在地省去了高昂的錄制費(fèi)用，低廉的成本即可獲得一級主播的優(yōu)質(zhì)聲音，實(shí)現(xiàn)高品質(zhì)的創(chuàng)作。

“AI+有聲”新模式

在大量AI 生產(chǎn)工具的應(yīng)用陸續(xù)落地的背景下，各類企業(yè)數(shù)字化語音廠商都在圍繞大模型尋找自身的優(yōu)勢空間與定位。在有聲書行業(yè)這一垂直領(lǐng)域內(nèi)，涌現(xiàn)一大批在AI 語音發(fā)力的企業(yè)，或能實(shí)現(xiàn)AI 語音生產(chǎn)的實(shí)際落地。

國內(nèi)一家首創(chuàng)“AI+真人”混合錄制形式的企業(yè)——上海家瑤網(wǎng)絡(luò)科技有限公司的業(yè)務(wù)模式與成長路徑，或能為“AI+有聲”的應(yīng)用層落地提供注腳。除利用“情感TTS”音色批量錄制有聲讀物之外，針對有聲書行業(yè)存在的核心痛點(diǎn)問題，公司獨(dú)立研發(fā)的AI 自動(dòng)對軌、AI 輔助審聽的應(yīng)用級產(chǎn)品“愛對軌”，借助行業(yè)領(lǐng)先的語音識(shí)別模型，實(shí)現(xiàn)了AI 全流程參與制作，由AI 自動(dòng)完成繁復(fù)低效的操作，并輔助對音頻內(nèi)容進(jìn)行審校，“以看代聽”，極大地縮短了制作周期，提高了內(nèi)容準(zhǔn)確率。

AIGC 在內(nèi)容消費(fèi)領(lǐng)域引起了生產(chǎn)力變革，從技術(shù)到商業(yè)模式的路徑已全線打通，各類企業(yè)借助技術(shù)背景發(fā)揮自身優(yōu)勢，帶來的海量下游應(yīng)用優(yōu)化將進(jìn)一步釋放行業(yè)創(chuàng)作活力與創(chuàng)新力?！癆I+有聲”模式作為其中一個(gè)縮影，也將拓展有聲書行業(yè)市場規(guī)模，助力形成更加蓬勃發(fā)展的有聲書市場。