1. 李易老师是著名配音员，音源数据庞大，合成人声究竟是靠音段拼接还是机器模拟，像老百姓这样没有大量音源数据的人可以完成这项技术吗？
答：采用参数合成方法，只需要5小时甚至更少就可以合成比较好的效果。

2. 合成人声最大的问题在于声音的真实性，而与逝者对话的关键就在于情感的表达，它又将如何实现？
答：理论上只要能从文本上分析出情感，就可以实现，但目前还没有解决，顶多可以由人工实现标注出情感标签来实现。语音合成擅长产出风格一致的语音（同一发音人），而缺少变化。正因如此，李易老师、任志宏老师、李立宏老师这些具备个人特色但又极其规范的发音方式，最容易获得跟其本人发音接近的合成效果，而表现力丰富的情况则不易。想象着一部动画片全部由TTS自动配音，是根本无法看的，也就看个故事，无法做到身临其境。

别小看这个进度条, 这个进度条到达100%的时候, 就是黑客帝国矩阵诞生的时候,

计算机模拟虚拟现实世界需要的bit量总量为:

音频A=20kHz*32bit*2 Ear=1Mbps 的采样精度, 这个部分已经完成了, 基本100% 模拟么? 差不多了.

V=视频 4K高清的话, 4k*3k*32bitColor*10Frame*2Eye = 8Gbps

嗅觉细胞按与音频类似. S=A

味觉按与音频类似. T=A

全身触觉按与视觉类似F=V

则目前的进度已经完成了

A, 100%, V, 30%, S, 10%; T, 10% ; F, 10%

所以总进度条为: 0.01%.

(以上数字建议生理神经学家修正补充)

别小看这个进度条, 这个进度条到达100%的时候, 就是黑客帝国矩阵诞生的时候, -- 人类无法知道自己是在现实世界, 还是在睡眠中被绑架到一个矩阵中, 因为所有的感知都无法确认.

唯一防止的方法是, 在自己的一本书上记录自己一个重要的数字, 以及一个密码加密的md5值, 一旦怀疑人生, 就回到自己的家中找到这个密码-- 盗梦空间中称之为"_图腾_".

当然如果一个图腾不够, 就多选几个.

问题是, 发现自己在梦中, 在虚拟世界中 又能如何跳出呢?

1、想要让声音“复活”，必须要借助语音合成技术。语音合成可以进行超大规模音库的制作，包括语料设计、音库录制、精细切分、韵律标注；同时进行规则统计，以此来针对不同发音人进行细致调整。这样合成出来的音频音质比较好，一般句子的自然度也不错。

第一个是语音库的制作过程，第二个是使用语音库将文本变成音频的过程。

语音库的制作首先需要收集对方的需求，确定音色、风格、使用领域、产品特性、角色要求；然后找到配音员试音，根据需求设计试音文本，收集录音，通过实验分析确定发音人是否合适做音库；然后确认实验效果是否能接受；最后投入音库生产线，录音脚本设计、录音资源训练、效果优化。

我们的技术团队与央视纪录频道、专业配音团队通过多次讨论后，确认了这项工作的可行性；并且在已故著名配音演员李易家人的授权和支持下，通过选取搜集以往配音纪录片的可用声音素材、处理和调优，完成了李易老师的音库。

在输入文本后，首先需要按照词典规则对文本进行语言处理。这个过程主要模拟我们真人怎么去理解自然语言，主要目的是为了让机器人能完全明白输入的文本在说什么，还要给出机器后面步骤的发音提示。

接着是韵律处理。人们在说话的时候，声音会根据不同情况有所变化；合成音也需要规划音高、音长和音强上的的音段特征，听起来更加自然、真实。最后根据前两部分处理结果的要求输出语音，即合成语音。

这个算不上黑科技，自从GAN能稳定训练以后，这种由A数据生成B数据的数据生成方法都不再存在大的障碍，就是找到好的样本数据和精细调节参数进行训练的问题了。

1、合成人声究竟是靠音段拼接还是机器模拟：肯定是机器模型，说白了是数据生成。可以根据文本生成语音，也可以根据语音生成语音，本质上，跟用一张图像生成另外一张图像（如生成表情，卡通生成真实图像，真实图像生成卡通等等）没有重大区别。

2、像老百姓这样没有大量音源数据的人可以完成这项技术吗：GAN训练需要大量数据，没有数据找公开数据集，没有数据集就从网上爬，爬不到就没办法了。

3、如何实现：定义一个ground true，让生成的数据跟这个比较，使其最接近。反正所有的机器学习原理都是这个。

4、合成人声这项技术可以应用在哪个技术领域：简单的，可以让自动阅读不再那么生硬刻板，复杂的可以开下脑洞，比如战争时模仿某个公众人物的声音，等等。

5、它是否会像克隆技术一样给人类带来某些方面的危机：无论什么技术都会带来一定危机，比如生产钢铁可以用于战争，生产菜刀可以杀人，但这些都可以在法律框架下控制。