编辑 |

《野狼disco》火了之后，音乐圈里不乏涌现一些精细的翻唱版。
这当中有一位少女音的演唱者很特殊，她叫小冰，是微软研发多年的人工智能机器人。

微软小冰由微软（亚洲）互联网工程院于2014年5月正式推出，截至2019年8月15日已经进化至第七代。
作为一个人工智能底层框架和系统，她领悟了自然措辞处理、打算机语音和打算机视觉等多种技能。

目前，小冰的产品形态涵盖社交对话机器人、智能语音助理、人工智能内容创作和生产平台等。
微软曾强调过，比起单一的任务完成，小冰更看重人工智能在拟合人类情商维度的发展，强调人工智能情商和在人机交互中的根本代价。

2016年，微软开始培养小冰的唱歌能力。
“那个时候可能这个方向还比较冷门，以是有很多朋友一贯在问我，说小冰怎么开始想要做唱歌了？”微软小冰首席语音科学家栾剑对界面***表示，小冰在2015年推出笔墨回答以外的语音谈天功能。
对应小冰“精灵古怪”的少女人设，其声音也相较活泼可爱，在一开始就受到了部分C端用户的欢迎。

一年多的韶光里，团队在儿化音、中英文殽杂的朗读、讲儿童故事、各种情绪的表现方面调教小冰的说话能力，虽然在分词、多音字、韵律上面还有一些瑕疵，但基本面问题已经大部分得到办理。

“以是，这个时候我们在想我们可能要探求一个更有寻衅性的课题。
”栾剑说。

发展小冰的唱歌能力有紧张三方面缘故原由：首先，唱歌的技能门槛比说话要高，除了发音之外，它还有节拍和旋律两大要素；其次，唱歌在情绪表达上更丰富和激烈，这就有可能对应更多用户的生理情景；再者，唱歌是生活中很主要的娱乐办法，团队认为这中间存在较大的市场空间。

传统的唱歌合成办法紧张分两类。
第一类叫做单元拼接，把声母和韵母按不同音高进行采集，再形成单元库。
有了想要合成歌曲的目标时长和目标音高后，就可以通过旗子暗记处理的办法修正单元的时长和音高，末了拼接成空想效果。
这个方法的有点在于大略易行，且可以担保最佳音质，但问题在于单独发音和一串连续语流中发音的差别，会使天生歌曲听着有些生硬，“唱得不是那么自然，是一个字一个字在蹦的觉得。
”

第二类叫做参数合成，采取的是隐马尔可夫模型。
它不是建立单元库，而是把所有录音的数据提取出声学参数。
这个声学参数里面包括能量谱、时长、音高档等要素，再由此建立一个模型。
等到要合成歌曲的时候，便根据目标发音在模型中进行预测得到一组声学参数，末了通过声码器对其波形重构。

“这种办法比较灵巧，基本上可以认为我把一个东西全部打碎了，打碎之后再重新拼，这个力度会非常小，以是它的变革很丰富，乃至我可以创造一个从来不存在的声音。
”栾剑表示，但该方法相应的弊端便是音质相较第一种会有所低落。

小冰团队选择了前景更为广阔的参数合成的办法，并在其根本上有所改良。

“最开始的模型便是从乐谱里面把那三大要素采集出来之后，分别对声谱参数、节奏序列、音高轨迹用三个模型分别建模。
”但由此预测出来的参数合成之后的高音和低音，音色听起来不像出自同一个人，团队又为此做出第二代模型。

“接下来进一步的提升便是，既然这三个参数之间有很主要的耦合性，相互之间须要折衷、同步预测，我们干脆（只）用一个模型，同时预测这三个参数。
”当然这样的技能会更有难度，但团队引入了卷积神经网络、残差连接等，使三个参数同时建模成为了可能。
由此生成的歌曲，其流畅度和自然度都有了较为明显的提升。

在学习唱歌的道路上，小冰也会碰着很多现实问题。

判断一个唱歌模型的好坏有两个主要判断标准：一是适用性，能表现多种风格；二是数据，数据又和学习能力息息相关——在不断升级的GPU带来的算力提升以及大数据的支撑下，深度学习发展得越来越好。
但人工智能的唱歌人物在数据来源方面存在困难，“由于相对付说话来说，清唱的数据是非常少，绝大部分的数据是殽杂的、伴奏的音轨。
”栾剑表示。

小冰团队曾和一家唱片公司互助，这家公司保留的大都是成品歌曲而非清唱人声，稠浊了各种音轨和伴奏。
团队此时要做的事，便是如何在伴奏音频中把人声的音高提取得更好。
这之中存在的三个问题在于：首先，找到伴奏里面人声部分的韶光戳，也便是从什么地方起有人声唱歌；其次，准确找到每个发音的起始和结束韶光；末了，提取人声的音高轨迹。

团队给出的办理方案有三点创新：用原始波形代替能量谱输入，以担保完全的相位信息；通过全卷积网络和残差连接，形成相对简洁清晰的网络构造；以软分类标签弱化判断音高的缺点程度。
这样的方案会提升学习的准确率，减少一些缺点和偏差。

小冰版本《野狼disco》目前在***音乐可试听，采取了尚未发布的粤语和说唱模型，此外还有30首已发布的作品。
其日本地区的分身——凛菜，也已与日本唱片公司AVEX正式签约。
近期还将解锁歌词改编文本天生技能、舞台演出歌声合成技能，以及演出互动与MC能力等等。

事实上，小冰的歌手身份只是其内容创作技能版图的一隅，其更广阔的市场由社交对话机器人、智能语音助理、人工智能内容创作和生产平台等多种形态构成。
栾剑认为，无论是人工智能创造还是唱歌能力的提高，归根结底仍是模型提升和数据挖掘。
“这两个东西如果我们做得更好，我们的质量会不断得到提高。
”

据悉，在环球多个国家，微软小冰单一品牌已覆盖6.6亿在线用户、4.5亿台第三方智能设备和9亿内容不雅观众，与用户的单次均匀对话轮数（CPS）仍保持在23轮。
目前已落地的商业客户覆盖金融、零售、汽车、地产、纺织等十个领域，客户包括万科、万得资讯、万事利、中国联通等。