当记者拨通高丽电话时，已经是晚上九点。四月底的上海，疫情阻挡了许多人出家门的脚步。但高丽和她的上海多语种团队没有一天停止手头的研究，整个团队如期完成了泰语、巴西葡萄牙语等多语种项目在车载、外呼等场景的项目交付工作，“今天有双周会，结束后又接着讨论到8点。”

这是一位90后江苏姑娘，在科大讯飞上海人工智能研究院领导一支平均年龄二十六七岁的团队，攻坚多语种智能语音技术领域“卡脖子”难题。在五四青年节来临之际，高丽说，我们要始终坚持“用正确的方法做有用的研究”，要有信心、有勇气代表国家的最高科技实力，参与国际竞争。

接到任务之初困难重重

“语音合成”就是让机器“会说”。不过在过去相当长一段时间里，多语种智能语音技术的密钥一直掌握在谷歌、微软、Nuance等一众美国科技巨头手中。2015年，高丽加入了这支成立五年之久的团队，专攻语音合成领域。

2019年底，科大讯飞开始全面布局多语种方向。“上海多语种合成团队的职能就是让机器不但会说中文，还可以说国外语种，说少数民族语言甚至方言。”团队负责人高丽介绍道。两年内完成世界上主要官方语种的覆盖，并且效果上达到商用水平，解决多语种的人机交互、语言互通等问题。接到这样的目标，整个团队都有些没底。

“说实话，当时接到这个任务的时候，很有压力，同时也有信心把这个工作做好。”作为团队负责人，高丽说道，“在这些语种的研发过程中，我们团队很多时候是在探索和研究语言学和工程学的高效融合，我们期望通过构建一套最简洁的语言学表征，来表示尽可能多的语义相关的内隐概念和语法系统，可以让模型进行高效的学习。”

另一方面的压力则来源于小语种缺少语言专家的支持。在语音合成这件事上有个前提条件，就是需要找到专业且有声音特色的母语者，用专业的录音设备录制10小时以上的高品质音库。

“但是我们当时没有任何可以提供高品质多语种发音人的录音渠道，团队规模也只有10人左右；新冠疫情的爆发，特别是国外疫情的持续，给我们数据的跨国采集以及寻找专家资源的支持，都带来了非常大的难度。同时基于我们当时的技术方案，两年内完成世界主要官方语种的能力建设，并快速商业应用水平，是不可能的事情。”高丽介绍说。

分步行动攻克难题

于是，高丽的团队分成两步开展工作，一方面通过各种渠道进行发音人的拓展，截至目前，已经累积了全球100多个发音人渠道，另一方面成立紧急研究攻关小组，研发了一套通用性强、鲁棒性高的新一代多语种语音合成系统。

经过两年努力，目前，整个团队的语音识别和语音合成能力已经达到了实际的商用水平；其中语音识别覆盖了60+语种，14种重点语言识别率率先达到90%的实用水平；语音合成覆盖了30+语种，MOS分均达到4.0+的实用水平，满足商用级别要求，有效解决了国内多语种智能语音技术被国外公司“卡脖子”的难题。

现阶段，团队依然在不断推陈出新，一方面追求新的技术高地，另一方面探索技术和产品的高度融合，设计更多有温度的产品，实现多语言的人机交互和人类语言互通。

然而，打破国外对多语种智能语音技术的垄断还只是起点，高丽团队坚持源头技术创新和攻关，使这项技术在实际中得到运用，其中一个方向就是为“中国制造”出海产品提供自主可控解决方案。

高丽介绍说，未来，她的团队期望构建更为完备的多模态文本分析系统，在更多语种上进行推广应用，同时也期望给用户带来更多更懂你的AI技术和产品。

挖掘语音合成技术的温情面

而在精密严谨之外，高丽已经发现了AI技术温情的一面。他们研发的人工智能语音合成技术对方言保护、拯救濒危语言等具有重要意义。

联合国教科文组织数据表明，世界范围内，平均每两周就有一种语言消失。在我国，随着普通话的普及，一些少数民族语言、方言等弱势语言已经濒临灭绝。以满语为例，每一亿个中国人中，只有一人能够熟练掌握这种语言。

“语言的意义除了作为交流工具而存在，更是民族文化和历史的载体。每当一种语言走向消亡，同时远离我们的还有绵延留长、用语言来传承的人类文化遗产。人工智能的出现，让濒危的弱势语言又有了复活的可能。”高丽期望团队研发出的AI语音合成技术，开展濒危语言的复刻，比如锡伯语、彝语等少数民族语言，上海话、苏州话、客家话等方言，传承人类文化瑰宝和保护濒危语言。

她说，“保护语言多样性就是保护文化多样性，而保护文化多样性也是保护人类命运共同体的多样性。”