芯耀
89
最近，聽到不少語音圈兒的盆友都在議論一場比賽。
什么超少樣本啊，什么亂入啊，還有什么教育……
咦，“教育”是什么鬼？
仔細打聽才知道，原來是剛剛落幕的國際TTS（語音合成）賽事M2VoC。
M2VoC，又稱多說話人多風(fēng)格音色克隆大賽，就是給你極少的語音樣本（最少5個的那種），讓你合成同種風(fēng)格的聲音。
這不就一場常規(guī)的技術(shù)玩家競技盛會嘛？
盆友表示，意外就意外在，這次的子賽道冠軍里，混進了一個“異類”——
搞直播網(wǎng)課的猿輔導(dǎo)。
搞在線教育，還能搞出個AI冠軍？？？
據(jù)說，獲獎團隊當(dāng)時還有其他緊急任務(wù)，就隨機派了兩個人，硬擠了5天時間來參賽。
疑似凡爾賽，而且有證據(jù)！
但橋豆麻袋，猿輔導(dǎo)，確定是一家在線教育公司哈？！
M2VoC首戰(zhàn)告捷
還是先來看看比賽本身。
猿輔導(dǎo)亂入?yún)⒓拥谋荣?，是聲學(xué)、語音和信號處理國際會議（ICASSP）信號處理挑戰(zhàn)期間任務(wù)——多說話人多風(fēng)格音色克隆大賽（M2VoC）。
而ICASSP作為IEEE信號處理協(xié)會組織的年度會議，也是信號處理及應(yīng)用方面最權(quán)威的會議之一。
據(jù)稱，這還是世界上第一個小資源音色克隆挑戰(zhàn)賽。
大賽共分為兩個賽道，一個少樣本賽道，另一個是比“少樣本”更少的賽道。
在極少樣本賽道，參賽者需要針對不同說話風(fēng)格和5個可用音色樣本進行校驗和測試。
每個賽道又分為開集和閉集。開集，即用任何公開數(shù)據(jù)；閉集，即只能用官方給到的數(shù)據(jù)。
最終共有150多支隊伍參賽，而在極少樣本開集賽道中猿輔導(dǎo)獲得了第一。
另外在少樣本開集、極少樣本閉集的賽道里，分別獲得了第4、第5的成績。
實際上，猿輔導(dǎo)此次比賽中呈現(xiàn)的，并非實驗室技術(shù)。
而是一個早已經(jīng)在小猿口算、猿輔導(dǎo)網(wǎng)課等產(chǎn)品中的技術(shù)，用于英語發(fā)音、題干讀題等場景。
比如說讀一個數(shù)學(xué)題，有些幼齡的小朋友字認(rèn)不全，需要讀出來讓孩子理解；另外，老師們也可以設(shè)定一個題目，根據(jù)題目的文字合成一個音頻。
尤其是在英語聽力上的應(yīng)用，發(fā)音要求更為嚴(yán)苛。
但一線老師反饋說，這比公開服務(wù)更好用。
以前，由老師出題，然后找正規(guī)的英音、美音老師錄制。一般外包公司制作一周才返回語音包。
如果有修改，那就最少2周，遇到節(jié)假日就更不可控了。
現(xiàn)在通過語音合成，一句10秒長度的句子，不到1秒就可以完成語音轉(zhuǎn)化，效率上有很大的提升。
這樣一來，2個人準(zhǔn)備5天時間就參加比賽，就也不是那么夸張了。
只是沒想到的是，第一次征戰(zhàn)國際賽事的他們，就獲得子賽道第一的成績。
對于這樣的結(jié)果，他們表示有點意外。
拿到（極少樣本開集）子賽道第一名，我們有點意外。技術(shù)領(lǐng)域的大牛很多，我們也會繼續(xù)努力！
基本思路跟平時的訓(xùn)練流程一致，由大規(guī)模樣本的預(yù)訓(xùn)練和小規(guī)模樣本的微調(diào)訓(xùn)練組成。
至于獲獎的原因，團隊內(nèi)部分析認(rèn)為，除了訓(xùn)練數(shù)據(jù)選的比較好之外，他們在語音合成的前端所采用的停頓、韻律模型，讓合成出來的語音效果更加自然了。
一般來說，通用的語音合成技術(shù)，大都將目光聚焦在合成字眼的準(zhǔn)確性。其他有如準(zhǔn)確發(fā)音、韻律情緒、適當(dāng)停頓等問題通常不會顧及。
就是一個莫得感情的朗讀機器~
但在教育領(lǐng)域，這些平時容易忽視的痛點，就變成了技術(shù)團隊重點攻克的對象。
既要保證在遇到類似多音字這樣的情況時，發(fā)出正確的讀音，又需要在面向低齡兒童的教學(xué)場景中，讓拼讀更加自然、富有韻律不生澀。
不能因為我冷漠，就耽誤了小孩學(xué)習(xí)呀?。ㄊ謩庸奉^）
也恰好因為這一點，猿輔導(dǎo)得到了主辦方、評委會的肯定。
在猿輔導(dǎo)搞技術(shù)是一種什么體驗？
所以，猿輔導(dǎo)作為一家在線教育公司，為什么會出現(xiàn)在語音合成技術(shù)的國際賽場上？
其實緣于一個偶然的契機。
當(dāng)時，這次的參賽隊員楊明祺將隨手刷到的大賽信息轉(zhuǎn)發(fā)到語音組群里。就在研發(fā)同學(xué)們的日常吹水中，他們突然想到，猿輔導(dǎo)在這方面已有技術(shù)積累，何不趁著這個比賽跟其他隊伍切磋交流一下，看看在統(tǒng)一任務(wù)下別人有什么不一樣的想法可以借鑒學(xué)習(xí)。
這種保持對前沿技術(shù)關(guān)注、主動學(xué)習(xí)的操作，倒并不是臨時起意，而是整個技術(shù)部門再正常不過的日常。
從他們堅持已久的一個習(xí)慣中也可見一斑——
Paper reading，是猿輔導(dǎo)AI Lab自2014年成立以來一直堅持至今的一項活動。
7年來，團隊每周都會安排一位技術(shù)同學(xué)在組會時分享一篇前沿技術(shù)論文，并與其他同事深入交流討論。
起初，整個實驗室的都要一起參加這樣的閱讀會。后來隨著規(guī)模的不斷擴大，改為下設(shè)5個實驗室分別舉辦，自己實驗室的同學(xué)當(dāng)然必須參加，其他實驗室的人也可以根據(jù)興趣參與進來。
不同技術(shù)之間的碰撞，也成為了猿輔導(dǎo)獨有的技術(shù)方法論。
語音實驗室語音合成組的楊明祺，就分享了一段經(jīng)歷。
在聽到降噪小組分享有關(guān)提高信噪比的最新技術(shù)時，語音合成組就想到，是否能將這樣的技術(shù)應(yīng)用到TTS上來。因為平時采集的訓(xùn)練樣本，錄制環(huán)境不一，音質(zhì)無法保證，而引入相關(guān)技術(shù)，就能從數(shù)據(jù)層面來提升最終合成語音的質(zhì)量。
除此之外，作為一家在線教育公司，猿輔導(dǎo)有更豐富、更具體的落地場景，因此也就要比一般的技術(shù)公司更看重技術(shù)落地。
低延時直播，就是這樣一個例子。
市面上通用的直播技術(shù)，可能有1-3秒、甚至更長的延時，對于直播帶貨這個場景下影響不大，但要是在教育教學(xué)上，學(xué)生和老師有著很強的互動需求，幾秒的延時就會影響教學(xué)體驗。
就比如，老師在課上提問，學(xué)生正在思考的時候，老師就已經(jīng)給出答案講下一個問題了。
因此，就需要將延時技術(shù)從3秒降到0.3秒，來維持課堂效果。
語音組馬楠也表示，
很多時候，一線的教學(xué)老師提出需求，研發(fā)人員就要想辦法結(jié)合最先進的技術(shù)來滿足。
所以平時看到一些新的論文、技術(shù)方案，也會想著能具體落到什么場景，能否配合一線老師教學(xué)。
也正因為看重落地的本質(zhì)，他們隨時保持著Ready的狀態(tài)。
什么時候有新的需求，就想著法兒的用技術(shù)去滿足，也因此團隊成員們練就了能快速適應(yīng)業(yè)務(wù)轉(zhuǎn)型的本領(lǐng)。
馬楠說，他們這個語音合成組，大多本來不是這個專業(yè)的，比如有的成員過去是做搜索的，可以說都是逐漸摸索學(xué)習(xí)過來的。
現(xiàn)在他們從一個想法到Demo，只需要半個月到1個月的時間就可以達成。
因此，也不同于其他技術(shù)團隊的成就感，他們成就感的來源，更多是一線老師的反饋。
“比公開服務(wù)更好用”，就是他們接收到的最好的嘉獎。
隱藏在教育背后的技術(shù)實力
事實上，雖然外界對猿輔導(dǎo)的認(rèn)知更多地聚焦在“教育”上，但猿輔導(dǎo)從成立之初，就是一家把“技術(shù)”視作核心競爭力的公司。
在2014年，猿輔導(dǎo)就成立了AI Lab，是在線教育行業(yè)內(nèi)首個成立AI研究院的企業(yè)。
從業(yè)務(wù)上看，猿輔導(dǎo)旗下有：拍一下就能秒出解題思路的小猿搜題，用AI幫助老師、家長批改作業(yè)的小猿口算，利用AI打造智能學(xué)習(xí)模型的斑馬AI課……
其背后所需要的技術(shù)支持，不止于語音，還包括視覺、自然語言理解、音視頻等多個領(lǐng)域。
就用斑馬AI課來舉個例子好了。
斑馬AI課作為目前國內(nèi)面向?qū)W齡前兒童的最大在線課程學(xué)習(xí)平臺，最吸引人的一點就是能做到“因材施教”。
也就是說，不僅僅是根據(jù)小盆友的年紀(jì)簡單粗暴地劃分學(xué)習(xí)階段，而是讓孩子也能自適應(yīng)學(xué)習(xí)。
等等，自適應(yīng)，這不是個教育AI模型的法子嗎？
其實是這么回事兒，以猿輔導(dǎo)百億級少兒語言行為大數(shù)據(jù)為基礎(chǔ)，通過對孩子的語言行為進行分析，就能更加細致地了解到孩子當(dāng)前的學(xué)習(xí)情況，進而智能地調(diào)整課程的難度、“打怪”的路徑。上完網(wǎng)課，還能根據(jù)AI大數(shù)據(jù)分析，生成個性化的學(xué)習(xí)報告，及時反饋學(xué)習(xí)成果。
另外，就像之前提到的，通用模型在落地到更加垂直的場景中時，表現(xiàn)往往不盡如人意。比如小朋友咿咿呀呀的發(fā)音，就比常規(guī)的成人語音識別更加困難，需要有針對性地收集數(shù)據(jù)、優(yōu)化模型。
源于這樣的背景，目前，猿輔導(dǎo)已經(jīng)發(fā)展形成語音實驗室、視覺實驗室、自然語言理解實驗室、音視頻實驗室和基礎(chǔ)支撐五大實驗室。
而作為技術(shù)人員的馬楠也強調(diào)：
對于我們的產(chǎn)品來說，前沿技術(shù)的支持并不是可有可無的，而是產(chǎn)品之所以能成立的核心原因。
以搜題為例，如果OCR的準(zhǔn)確率不夠高，搜得不夠準(zhǔn)，用戶根本就不會選擇使用。
站在現(xiàn)在這個時間節(jié)點，從用戶選擇的角度來看，猿輔導(dǎo)已經(jīng)成為國內(nèi)網(wǎng)課用戶規(guī)模最大的在線教育公司。
而從技術(shù)驗證的層面來看，猿輔導(dǎo)曾先后在MS MARCO機器閱讀理解水平測試、斯坦福問答數(shù)據(jù)集兩項世界級NLP賽事中斬獲冠軍，如今也在語音等更多領(lǐng)域的世界賽事上嶄露頭角……
資本對其業(yè)務(wù)、技術(shù)的認(rèn)可，也已落在了具體的數(shù)字上：估值155億美金，是全球估值最高的在線教育獨角獸公司。
就在這樣的高速發(fā)展之中，體量越來越大的猿輔導(dǎo)，在重視落地之外，也越來越看重“長期主義”。
馬楠就透露，現(xiàn)在在技術(shù)團隊內(nèi)部，有相當(dāng)一部分人力投入到了前沿技術(shù)的探索、攻關(guān)當(dāng)中。這類研發(fā)工作在短期看來不會立刻被用上，但公司認(rèn)為，從長期發(fā)展的角度來看，這些積累將成為猿輔導(dǎo)技術(shù)護城河的關(guān)鍵組成。
最后，再來總結(jié)一下，猿輔導(dǎo)究竟是一家什么樣的技術(shù)公司？
以在線教育之名，從每個具體場景出發(fā)，將AI技術(shù)之力在各個產(chǎn)品中得以體現(xiàn)。
如果一項技術(shù)研發(fā)的很厲害但沒用上，對猿輔導(dǎo)來說是不太可能的。
因此可以說，猿輔導(dǎo)的AI更具有實用主義色彩。
曾經(jīng)，中國的教育領(lǐng)域一度被認(rèn)為格局已成。但以猿輔導(dǎo)為代表的第三代教育科技公司，卻以黑馬之勢登上歷史舞臺，撕開了一條新的進擊之路。
背后的核心關(guān)鍵詞，正是技術(shù)，正是AI。
而教育在AI等新一代技術(shù)驅(qū)動之下展現(xiàn)的潛力，或許才剛剛開始。
