编者按：本文来自界面新闻，作者 伍洋宇，36氪经授权发布。
《野狼disco》火了之后，音乐圈里不乏呈现一些精美的翻唱版。这傍边有一位少女音的演唱者很特别，她叫小冰，是微软研制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，到2019年8月15日现已进化至第七代。作为一个人工智能底层结构和体系，她交融了天然语言处理、计算机语音和计算机视觉等多种技能。
现在，小冰的产品形状包含交际对话机器人、智能语音助理、人工智能内容发明和出产渠道等。微软曾着重过，比起单一的使命完结，小冰更重视人工智能在拟合人类情商维度的开展，着重人工智能情商和在人机交互中的根底价值。
2016年，微软开端培育小冰的歌唱才能。“那个时分或许这个方向还比较冷门，所以有许多朋友一直在问我，说小冰怎样开端想要做歌唱了？”微软小冰首席语音科学家栾剑对界面新闻记者表明，小冰在2015年推出文字回复以外的语音谈天功用。对应小冰“精灵乖僻”的少女人设，其声响也相较活泼可爱，在一开端就受到了部分C端用户的欢迎。
一年多的时刻里，团队在儿化音、中英文稠浊的朗诵、讲儿童故事、各种情感的体现方面调教小冰的说话才能，虽然在分词、多音字、韵律上面还有一些瑕疵，但基本面问题现已大部分得到解决。
“所以，这样一个时刻段咱们在想咱们或许要寻觅一个更有挑战性的课题。”栾剑说。
开展小冰的歌唱才能有首要三方面原因：首要，歌唱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，歌唱在情感表达上更丰厚和剧烈，这就有或许对应更多用户的心思情形；再者，歌唱是日子中很重要的文娱办法，团队以为这中心存在较大的商场空间。
小冰的虚拟形象（图自：微软）
传统的歌唱组成办法首要分两类。第一类叫做单元拼接，把声母和韵母按不同音高进行收集，再构成单元库。有了想要组成歌曲的方针时长和方针音高后，就能够终究靠信号处理的办法修正单元的时长和音高，最终拼接成抱负作用。这个办法的有点在于简单易行，且能够确保最佳音质，但问题在于独自发音和一串接连语流中发音的不同，会使生成歌曲听着有些僵硬，“唱得不是那么天然，是一个字一个字在蹦的感觉。”
第二类叫做参数组成，选用的是隐马尔可夫模型。它不是树立单元库，而是把一切录音的数据提取出声学参数。这个声学参数里边包含能量谱、时长、音高等等要素，再由此树立一个模型。比及要组成歌曲的时分，便依据方针发音在模型中进行猜测得到一组声学参数，最终经过声码器对其波形重构。
“这种办法比较灵敏，基本上能够以为我把一个东西悉数打碎了，打碎之后再从头拼，这个力度会十分小，所以它的改变很丰厚，乃至我能够发明一个历来不存在的声响。”栾剑表明，但该办法相应的坏处便是音质相较第一种会有所下降。
小冰团队挑选了远景更为宽广的参数组成的办法，并在其根底上有所改进。
“最开端的模型便是从曲谱里边把那三大要素收集出来之后，别离对声谱参数、节奏序列、音高轨道用三个模型别离建模。”但由此猜测出来的参数组成之后的高音和低声，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。
“接下来进一步的进步便是，已然这三个参数之间有很重要的耦合性，相互之间需求和谐、同步猜测，咱们爽性（只）用一个模型，一起猜测这三个参数。”当然这样的技能会更有难度，但团队引入了卷积神经网络、残差衔接等，使三个参数一起建模成为了或许。由此生成的歌曲，其流通度和天然度都有了较为显着的进步。
在学习歌唱的道路上，小冰也会遇到许多现实问题。
判别一个歌唱模型的好坏有两个重要判别规范：一是适用性，能体现多种风格；二是数据，数据又和学习才能休戚相关——在不断晋级的GPU带来的算力进步以及大数据的支撑下，深度学习开展得渐渐的变好。但人工智能的歌唱人物在数据来历方面存在困难，“由于相对于说话来说，清唱的数据是十分少，绝大部分的数据是稠浊的、配乐的音轨。”栾剑表明。
小冰团队曾和一家唱片公司协作，这家公司保存的大都是制品歌曲而非清唱人声，混合了各种音轨和配乐。团队此刻要做的事，便是如安在配乐音频中把人声的音高提获得更好。这之中存在的三个问题在于：首要，找到配乐里边人声部分的时刻戳，也便是从什么地方起有人声歌唱；其次，精确找到每个发音的开始和完毕时刻；最终，提取人声的音高轨道。
团队给出的解决计划有三点立异：用原始波形替代能量谱输入，以确保完好的相位信息；经过全卷积网络和残差衔接，构成相对简练明晰的网络结构；以软分类标签弱化判别音高的过错程度。这样的计划会进步学习的精确率，削减一些过错和误差。
小冰版别《野狼disco》现在在QQ音乐可试听，选用了没有发布的粤语和说唱模型，此外还有30首已发布的著作。其日本区域的兼顾——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生成技能、舞台扮演歌声组成技能，以及扮演互动与MC才能等等。
事实上，小冰的歌手身份仅仅其内容发明技能地图的一隅，其更宽广的商场由交际对话机器人、智能语音助理、人工智能内容发明和出产渠道等多种形状构成。栾剑以为，无论是人工智能发明仍是歌唱才能的进步，归根到底仍是模型进步和数据发掘。“这两个东西假如咱们做得更好，咱们的质量会不断得到进步。”
据悉，在全球多个国家，微软小冰单一品牌已掩盖6.6亿在线用户、4.5亿台第三方智能设备和9亿内容观众，与用户的单次均匀对话轮数（CPS）仍保持在23轮。现在已落地的商业客户掩盖金融、零售、轿车、地产、纺织等十个范畴，客户包含万科、万得资讯、万事利、中国联通等。
