- 作者／施登騰 中國科技大學互動娛樂設計系主任
今年（2018）年 3 月 14 日傳來史蒂芬・霍金（Stephen Hawking ）博士 76 歲長眠的消息，舉世同哀。早上開電腦上網後，看到有更多他的相關消息與回顧，這些熱烈討論從昨天到今天都仍持續不斷著。
霍金的語音代言人
曾與家人一同欣賞史蒂芬・霍金的傳記電影「愛的萬物論 （The Theory of Everything）」（頗喜歡這中英文片名），不過沒看他的「時間簡史」，只借閱過他親筆自傳《我的人生簡史》。電影透過戲劇呈現霍金博士的生平，算來是個奇特經驗。我們比較熟悉的霍金博士，是那個因罹患漸凍症，後來失去說話能力，需透過電腦語音代言，卻仍不減溝通能力與幽默的霍金博士。當然，電影中也演出了這段經歷，透過電腦語音重拾溝通能力並不簡單。
網路上可以找到霍金博士親自說明，電腦語音如何協助他發言，可以點以下影片聆聽他的熟悉聲音。
還有一個網站提供「霍金聲音生成器 （Stephen Hawking Voice Generator）」。霍金博士在影片中提到，他當時使用的語音合成軟硬體設備，是由「劍橋精益通訊公司（Cambridge Adaptive Communication）」的 David Mason 幫他裝設在電動輪椅後面；使用的是一款名為「Equalizer （等化器）」的軟體，由加州電腦專家華托茲（Walt Woltosz）於 1985 年幫霍金博士研發的，這在他的自傳中也有提到。
這合成的聲音不僅像機器人說話，而且還有美國口音。《Meet the man who lent Stephen Hawking his voice》（將聲音借給霍金的人）這篇報導中，作者 Rachel Kraus 引述雜誌《Wired》的深入報導，寫到這個聲音原屬 Dennis Klatt 這位美國麻省理工的學者，以他自己的聲音透過電腦合成而成。在 80 年，當霍金博士失去口語能力時，找到了 Dennis Klatt 所合作的《DECtalk》公司的語音合成軟體（Speech synthesizer），透過文字輸入方式進行語音合成（Text-to-Speech，TTS）。
目前霍金所使用的語音合成軟體《Equalizer》已經提供開源碼，希望能嘉惠更多有需要的人；正式的官方名稱為「Assistive Context-Aware Toolkit （輔助式語意感知工具包）」，適用於有 Windows 7 以後的版本、使用 C# 語言；不支援 Mac 系統。有需要進一步資訊的話， 雜誌《Wired》2015 年 8 月的這篇報導「You Can Now Use Stephen Hawking’s Speech Software For Free」（免費使用霍金用的說話軟體！）會更清楚。
由於漸凍症的緣故，霍金博士除了逐漸失去說話能力；即使電腦語音的拼字輸入方式，也因症狀加劇而逐漸弱化。到了後期，霍金博士甚至需要借助 IR 去偵測臉頰肌肉運動進行輸入控制，使用的是《Words Plus》公司的軟體《EZ Keys》，只要輸入幾個字，前方螢幕會據以顯示候選字句，讓霍金博士以臉頰的微幅動作控制選字句組合，然後再透過 《Equalizer》轉成聲音檔，也就是那個美國口音的機器人聲 。
據 Rachel Kraus 引述雜誌《Wired》的報導，霍金博士不僅在《DECtalk》公司進行語音合成軟體升級時，要求使用原聲音檔，甚至後來 Intel 為他建置新的軟體時，還在他的堅持下，找回 Dennis Klatt 的原始聲音檔去進行軟體升級。大家可以欣賞「Master Of The Universe： Stephen Hawking」（宇宙大師：霍金）這部紀錄片，片中 22:10~22:40 這一段就有霍金博士以臉頰動作輸入文字的畫面。
人機互動──語音助理可以做到什麼？
這令人遺憾的新聞確實讓我想到「人機互動 （HCI）」的發展（很抱歉），加上最近跟好友借用了《Amazon Echo》跟《Echo Dot》來玩，常常在早上就使用，會「請」Alexa 服務，說聲「Alexa, Play music.」，Amazon 的語音助理 Alexa，就會幫我播「70 年代電台音樂」，也玩過《Jeopardy 猜謎》，這是 24,000 多個 Alexa Skills（技能）提供的服務（根據 2017.12 數據）。
Amazon 也開放 Alexa Skills Kit，歡迎第三方參與開發。iOS 的 Siri 自然我也常用，因為上下班搭車移動中習慣戴耳機，所以都會長按耳機控制鈕呼叫出Siri，要她播音樂或撥電話。但有許多科技報導說得很直白，直接指出 Siri 不僅被遠遠拋在 Amazon Alexa 與 Google Assistant 後面，更不用說相關應用根本跟不上Amazon Alexa Skills 與 Google Me-Too 的第三方應用那樣的快速發展。
也有篇科技新訊提出相關分析，並特別點出三家公司在發展「Voice First Platform」這種新型個人數位服務與應用平台上的顯著差距，或許會成為影響三家公司發展前景的致命關鍵。
替 Siri 配音的人
此外，再談談原音重現。就像霍金博士的語音合成的原音是 Dennis Klatt。iOS Siri 在發音上非常接近自然人聲，而最常用的女音則是 Susan Bennet 的聲音組合的（見下圖），而男聲版本的，可以查到資料的是幫英國 Siri 版配音的 Jon Briggs，他算是 iPhone 4 第一代 Siri 的男聲。
而根據 Susan Bennett 接受訪問的錄音內容「Siri is dying. Long live Susan Bennett」，她提到她在2005年接到一個配音委託，當時她不知道這些錄音是做什麼用的，整整花了 1 個月，每天 4 小時去錄許多短句，後來還是同事在 2011 年問她，她才知道是用在 Siri 的人聲語音服務上。只不過 Apple 也未曾正式承認 Susan Bennett 就是 Siri 這個機器人助理的幕後人聲。
但對 Susan 來說，至少 CNN 請了專家鑑定確定，她在 TED 以「Accidentally Famous: The Story Behind the Original Voice of Siri 」為題演講過；但根據報導，Jon Briggs 卻還接到 Apple 電話，被要求不要公開談論他就是 Siri 的男聲，理由就是「不希望 Apple 的數位語音助理被聯想到特定的人」。他們兩位曾同時被訪問過這些特殊經驗，有興趣者可以看這篇訪問稿：「Hey, Siri! Meet the real people behind Apple’s voice-activated assistant」。
如何讓數位語音助理「聽起來」越來越像人？
那就接續談談在發音上越來越接近人聲的數位語音助理（Digital Voice Assistant）吧！
之前在「The Voice of Museum」這篇分享中（博物館學會網站刊載連結），曾於針對博物館科技應用談到「數位語音助理」與「語音服務」時，有提到如下的內容：
無論是把 Echo、 Siri,、Cortana 稱之為語音助理（Voice Assistant）、虛擬助理（Virtual Assistant）、人工智慧助理（AI Assistant、AI-Powered Virtual Assistant），而且就像「The Surprising Repercussion of Making AI Assistants Sound Human」以及「Why Do So Many Digital Assistants Have Feminine Names」談到的議題，我們對人工智慧科技服務的具體想像，其實不是機器人助理，而是更接近「人」的虛擬助理，無論是在語音對答服務時更像真人的語調，或者是在命名與性別上。
文章中提到所謂的「依存互動 Contingent Interaction」，並引用研究說人類比較能夠對可以來回反應、對話與互動的人事物有所連結。報導也都提出不僅「擬人 Humanlike」是具體目標，兼有個性與實用性（Personality and Utility）的虛擬助理服務也是眾所企求的。
這也讓我想起在智慧博物館《AI 上博物館》中，引述 Deeson 廣告公司的科技策略總監 Ronald Ashiri 在文章《How Museums Are Using Chatbots》（博物館如何應用聊天機器人），其中的概念「Giving chatbots a face」（賦予聊天機器人個性形貌）。就從上述所分享的實際案例來看，目前的人工智慧發展已讓「想像」逐漸成真。
其中所提的數位語音助理的 Humanlike、擬人化（ anthropomorphic）傾向，以及命名女性化的特徵，在在顯示了數位助理的研發，是在追求一個全知的 AI 語音助理；或許在具體樣貌上，就會越來越接近電影《鋼鐵人》的人工智慧助理：J.A V.I.S. （Just Another Rather Very Intelligent System的縮寫） 。
人機互動的溝通：語音轉文字，文字轉語音
前面提到，霍金博士透過軟體《EZ Keys》選擇字句，再由軟體《Equalizer》轉譯成聲音。這種 Text-to-Speech（TTS，文字轉語音）的數位轉譯形式對現在的數位技術來說其實是很簡單的應用，因為已有很多 App 都能支援，即使是逆向工程：Speech-to-Text（STT，語音轉文字），也已經很普及，像是現在手機輸入法中內建的語音輸入法。
特別再提及這點，是因為「文字」與「語音」都是與 AI 數位助理溝通的重要媒介與元素。就如同在《AI 上博物館》與《AI 上互動娛樂設計系》[註1]（這兩篇所介紹的許多數位語音應用，博物館與其不同業界所使用的「AI 聊天機器人」，不管是「純簡訊服務類（text messaging service）」、「即時對話服務類 （chatbot conversational service） 」、「問與答諮詢類（Q&A chatbot service）」類；基本上，人機互動都是透過「文字」或／與「語音」溝通。
像 Google 就研發了專屬的「語音合成標記語言」（ the Speech Synthesis Markup Language；SSML ）技術來支援語音合成應用程式，並操控互動語音系統；使得與 AI 數位語音助理的對話，可以像是跟某人說話互動一樣。
舉兩個實際的應用案例：
Google Story Speaker （互動故事閱讀器）
基本概念是將在網路文件編輯器 《Google Doc 》上所編寫的互動腳本（文字檔），透過 Add-On （附加元件）加入應用程式《Story Speaker》，就可以使用智慧管家《Google Home》或語音助理《Google Assistant》，以語音播放；「文字朗讀功能（TTS）」再加上「語音辨識功能（STT）」，就可以讓《Google Home》成為《Story Speaker》，而且還會在特定段落詢問閱聽者的決定，提供不同路線的故事內容，導引到不同的故事結局。
Google Grilled Murder Mystery（互動偵探角色扮演）
此應用的概念，是讓玩家在這個語音互動應用程式中的謀殺案中扮演偵探的角色，玩家透過訪問四名嫌犯中的每一名去調查餐館老闆的命案的線索，以確定誰才是兇手。此應用程式也使用了 SSML 語音合成標記語言技術，所以玩家就像是透過一位「助理」的協助，進行命案的偵查。
現代人工智慧可以執行什麼任務？
所以無論與語音助理之間的溝通，是透過 TTS 或 STT 形式，在未來，透過人工智慧、自然語言處理、機器學習等先進技術的導入，要在現實生活中有 JAVIS 協助打點一切，並提供全知的資訊服務，並非不可能。
「語境（Context）」、「語言（Language）」、「推理（Reasoning）」被視為人工智慧的三大挑戰，但如果是要考慮的 AI 數位語音助理之研發應用的話，它們也是機器學習、自然語言處理兩項技術的重大挑戰。
現如今，金融特別是一個全面採用 AI 技術、自動化技術的行業，也就是大家熟悉的 FinTech 趨勢。針對「數據資料導向任務（Data-Driven Task）」的自動化來說，AI 技術已被充分運用了，AI 財經機器人已能自動撰寫處理「基金財務報告 Fund Reporting」、「損益分析報告 Profit & Loss Reports」、「信用管理報告 Credit Management Reporting」、「銷售報告 Sales Reporting」（資料來源）。看來，許多挑戰已隨著應用需求與科技發展，而逐漸被克服。
而我的重點是，人工智慧技術、機器學習模型已經能夠自動判斷文本的結構和含義，像是根據霍金博士輸入的幾個字，自動判斷後提供「選用字句（Candidate Sentence）」，有效減少輸入次數；或者像前面例舉的「互動偵探角色扮演（Grilled Murder Mystery）」此一類型的智慧語音應用。
「全知型」互動對話導覽服務
在 TTS、STT、AI、Machine Learning、NLP 等技術的持續發展，以及典藏資料庫的內容支援下，很期待未來有機會在博物館、商展、展演機構見到「全知型」互動對話導覽服務的出現。
下圖是使用自然語言處理（NLP）技術，利用分析器（Parser）將一段「畫作說明文字」（梵谷自畫像）進行語法分析（Syntactic analysis）的結果。這段「畫作說明文字」在數位處理分析後，由分析器解構成各個詞彙單位，並呈現其結構和含義。語法分析也用來建立樹狀的語法樹（syntax tree），透過中間表述提供詞彙單位串流的語法結構。
該段說明文字如下：
「Vincent van Gogh painted his first known self-portrait in 1886, following the model of the 17th-century Dutch artist Rembrandt. But by the time he made this work, a year later, he had clearly shifted his allegiance from the Old Masters to the Parisian avant-garde. Under the influence of Neo-Impressionist color theory, he based this painting on the contrast of complementary colors.」
Syntax分析結果見下圖：
也就因為這些強大的數位技術支援，我們與機器的「文字」或「語音」互動對話，都能更自然，人工智慧更思考能力，人機互動更接近我們的日常行為。所以數位科技讓因為漸凍症無法言語的霍金博士仍能繼續寫作、演講；相信數位科技也打開了與具有龐大內容的數位語音助理／電腦／資料庫進行深度互動的機會。
WATSON，美術館中的全知數位導覽員
我個人認為的理想數位導覽應用典型，應該是是巴西奧美廣告公司與 IBM 公司合作，於 2017 年 6 月在巴西聖保羅博薩博物館（Pinacoteca do Estado de Sao Paulo） 所推出的數位導覽服務《The Voice of Art / with WASTON》。
這個 App 使用的數位語音技術就是由 IBM 研發的《WATSON》。研發團隊為了培養 WATSON 的應答能力，共花了 6 個月時間與西聖保羅州立博物館策展人和研究員合作，以大量的書籍、報導、傳記、訪談、網路資料、影片讓 WATSON 透過機器學習累積對於藝術作品豐富知識與答案，並擴大可對話與提供回覆的範疇，WATSON 就像個全知的數位導覽員。
在「The Voice of Art ／ with WASTON」的宣傳影片中，研發人員說：
「用預錄的聲音介紹藝術史，並不是真正的互動。」
所以他們花了非常大的努力，希望讓 WASTON 與使用者有更自然的對話。影片中，有位小孩則看著肖像畫，問畫中人物說「你喜歡踢足球嗎？」。我想 WASTON 的確做到了！！！！
- 本文轉載自作者臉書，原標題為〈數位「代言人」〉。
- 編按：相關內容也歡迎參考這篇報導–〈中國科大互動系推出對話機器人〉
