王源也推荐！“读诗成曲”游戏火了，思必驰揭秘背后技术

安妮 发自 凹非寺

量子位 出品 | 公众号 QbitAI

学唱一首歌要多久？1小时，5小时还是一天？

如果你关注了昨晚（1月28日）央视八点档的《经典咏流传》就会发现，学会一首歌的时间，30秒足够了。

输入诗词朗读，输出自己嗓音的歌曲，这个“读诗成曲”的H5游戏火了。

据统计，节目播出后的90分钟内，超过14万人次参与合成自己的歌，H5转发量超过10万。连王源小哥哥也在线推荐：

王源在节目现场演唱《长歌行》并邀请你一起来读诗成曲

甚至还登上了实时热搜榜：

用你的声音合成歌曲，这次又是AI立功了。

决战30秒

扫码进入H5界面，量子位开启了“读诗成曲”游戏玩法探索模式。

在你开口读诗前，首先需要戳选你的音色，选择你的声音为男声、女声还是童声。随后，页面跳转到一个经典诗词曲库，请开始pick你喜欢的歌曲。

“决定性30秒”来了，此时，对着话筒大声朗读所选曲目的歌词（也是诗词），上传后稍等片刻，你朗读的诗词就被自动转换成了由宫商角征羽组成的旋律。

确定过眼神，是自己的嗓音。

而且用这个小工具合成的歌声不仅听起来像自己的声音，而且高音部分还不、会、破、音，完美避开了“一破毁所有”的尴尬境地。

韵律合拍，又在传统春节的气氛中，可以无压力分享到票圈了。

技术揭秘

一段平平无奇的语音经AI之手，是怎样变成了婉转流利的歌曲的？

“读诗成曲”应用背后技术提供方其实是语音技术起家的思必驰。

思必驰副总裁兼北京研发院院长初敏解释，“读诗成曲”背后，主要应用了思必驰语音技术，尤其是个性化歌声合成技术。

从一段文字到个性化，从技术角度来讲分为2大处理阶段，即语音识别与语音合成，后者又分为两步。

具体来看：

第一步，语音识别。用户按照屏幕提示朗读诗词，系统会先判定读音是否正确，通过后进行如语音合成阶段成曲。

第二步，声学模型加持，调整频谱参数。也就是说，通过第一步收集的你的声音数据训练模型，个性化学习后，让生成歌曲的音色像你本人。

第三步，韵律模型调节韵律参数，控制每个音的声音长短及高低，旋律就此确定。

随后，将韵律参数和频谱参数结合，生成歌声。一段音色属你，旋律似原唱且歌词为经典诗词的片段已合成。

整个流程下来，在网速保证的情况下1~2秒就能合成成功。初敏表示，至少支持10万人同时点击使用时秒出结果。

AI可以很好玩

把理解中国古诗词这种教育行为与合成歌声这种娱乐行为结合，也算的上是AI与泛娱乐领域结合的一次尝试。

初敏表示，读诗成曲项目虽然最初的动力来自央视，想要传承经典古诗词。但将AI与泛科技结合却是自己一直想做的。意义不仅在于好玩，也在于学习与教育。

思必驰副总裁、北京研发院院长初敏

比如，在读诗成曲中录音时，读错一个字语音识别系统就会提示录入错误建议重读，重新朗读至全部字词正确才可以进行合成。

这不是思必驰第一次在歌声和成领域的尝试，此前在《机智过人》节目中，思必驰打造的“小驰机器人”用撒贝南的声音生成了一曲《好久不见》，还获得了撒贝南的官方认可。

小撒表示，该歌声的“声音的相似度基本在90%以上”。

和《机智过人》中的离线技术不同，读诗成曲的难度大大提升，由一个非线上、不能互动的离线功能转变成一个近实时的互动游戏，时间要求高了，且未知性变大了。

挑战也随之而来。

变成互动性游戏后，录音效果无法预测，使用时不同的方言口音、手机机型、录音环境的嘈杂度是未可知的。初敏表示，针对极端场景已经进行了不少测试，但技术永远不能保证百分百。

初敏认为，科技公司有两个出口，一是严肃向、实用风的老路，第二就是走好玩的娱乐向，读诗成曲的项目就是。

娱乐向看似实用性不如前者，但每个人有机会可以去感受体验，且可以具有教育意义，所谓“寓教于乐”是也。

作为一家To B的企业，思必驰认为AI可以不用那么严肃，也不用那么高高在上，因为无论To B还是To C，最终面向的都是用户。

思必驰CMO龙梦竹表示，“读诗成曲”的这种大众参与方式还谈不上科普教育，但如果能让大众觉得“AI挺有趣”，也是一件很酷的事情。

—完—