沒去過中研院開放日別說你是台灣科青！2017 Open House 攻略

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜簡克志
• 責任編輯｜簡克志
• 美術設計｜蔡宛潔

中研院原分所的推手

中央研究院原子與分子科學研究所（簡稱原分所），是國內原子科學的研究重鎮，位處於臺灣大學學區，研究領域涉及表面科學、尖端材料、原子／分子與光學、化學動態學以及生物物理。原分所第一任的籌備處主任為張昭鼎先生，他的思維與待人接物的方式，深深影響了現在的原分所。中研院「研之有物」於 2023 年 4 月專訪原分所所長陳貴賢特聘研究員，一起從他的角度認識這位謙和又有遠見的科學家。

當天是個晴朗和煦的午後，研之有物團隊和張昭鼎基金會的工作人員，來到位於臺灣大學的中研院原分所，準備拜訪陳貴賢所長。原分所位於臺大校園中心，旁邊就是醉月湖，研究所建築外觀換新之後，以典雅新穎的紅磚色拱形亮相。甫進辦公室，充滿活力的陳貴賢，看起來已經準備好和我們分享關於原分所和張昭鼎先生的故事。

原分所建立初衷

原分所成立於 1982 年，由張昭鼎擔任第一任籌備處主任（1982～1993），現任所長是陳貴賢，擔任所長已將近 7 年（2016～2023），並即將在今年 7 月 15 日交接所長職位給魏金明合聘特聘研究員。當我們問到原分所一開始是如何成立的？陳貴賢提到，原分所是當時海外學者李遠哲與浦大邦開始的構想，希望幫助臺灣發展原子與分子科學、同步輻射科學兩大領域，以跟進國際科學的研究步調。

為了和政府提出建言，李遠哲等學者邀請了全世界知名的科學家一起討論，包含吳健雄以及她的先生袁家騮，他們當時還回臺灣做了好幾場演講。經過持續的溝通與交流，最後終於事成，浦大邦主要負責同步輻射（中心落腳於新竹清華大學旁），而李遠哲就是想辦法建立原分所。

由於李遠哲當時人在美國柏克萊大學化學系任職，他迫切需要一位信任的人在臺灣幫忙。因此，他找了在學時期認識的臺大學長張昭鼎，請他負責籌備原分所，張昭鼎當時已經是臺灣無機合成化學的先驅。陳貴賢回憶道「張昭鼎是一位格局很大的人，也可以理解基層的需求」。

成立一個所並不簡單，有很多眉角要處理，比如選址就是大問題。李遠哲希望能夠促進中研院和學校之間的合作，讓年輕學生也能參與研究，最終選址於臺灣大學正中央，原分所就此成立。「對有志於科學的年輕人是非常大的福氣」，陳貴賢說。

原分所在做什麼？新興材料的研究重鎮！

話說回來，原子與分子科學研究所是研究什麼呢？看起來不是一般的物理、化學、機械等數理學術機構。陳貴賢在訪談中笑著說，「所有的物質都是原子組成的，兩個原子結合在一起就變成分子，分子繼續疊在一起就會形成固態、氣態或液態的物質。」原分所是在研究原子相關的物質科學，但陳貴賢強調，原子內還有各種基本粒子，例如質子、中子或夸克等，研究這些基本粒子屬於高能物理，不屬於原分所的研究範疇。

舉例來說，原分所的研究有大家很熟悉的半導體，以及稱為「表面科學」的重要領域。陳貴賢說，很多化學反應都會發生在物質表面，尤其太陽光如何和表面原子互動相當值得探討，他的實驗室就有研究如何透過光催化材料來進行人工光合作用。

原分所另一個重要領域是「化學反應動態學」。陳貴賢提到，過去李遠哲回臺灣時，就有從柏克萊帶回珍貴的交叉分子束設備。設備的噴嘴會噴出兩束不同的分子束，讓分子束交叉碰撞之後，觀察化學反應的動態機制。「了解化學反應怎麼發生，才有可能對它進一步控制」，陳貴賢道，他以燃燒反應為例，如何讓燃燒反應更完全、減少污染物的產生就是個大學問。

此外，陳貴賢還分享了另外兩個重要領域「尖端材料」和「生物物理」，尖端材料例如能源材料，有太陽能材料或是熱電材料等，讓未來能源發展有更多機會。生物物理例如研究生物影像的分析方法，發展各種創新的顯微技術。

原分所發展至今，即使張昭鼎在 1993 年 4 月離世，仍受到他的處世之道影響。陳貴賢回憶道，當時 1993 年元月份來到原分所，在開始長期的學術生涯之前，曾仔細瞭解張昭鼎的事跡及為人，發現他很重視基層人才，願意給年輕人機會，甚至幫忙找資源。

隨著不同的所長接任，原分所的制度和規範逐漸完善，在林聖賢、劉國平、王玉麟、及周美吟等所長的努力下，原分所逐漸進入穩定發展的狀態。王玉麟擔任所長期間為了紀念張昭鼎，在 4 樓的會議廳就命名為「張昭鼎紀念講堂」。

搶救《科學月刊》，致力於科學教育傳播

除了成立原分所之外，張昭鼎的另一項重要貢獻是《科學月刊》。《科學月刊》是臺灣本土力量孕育而生的科學雜誌，自 1970 年創刊營運到現在，是珍貴的科學傳播刊物，對於臺灣科學界的人才培養和學術交流都有好的影響。

關於《科學月刊》對臺灣早期科學界的重要性，陳貴賢說：「你做的科學研究不只是要在國際上發表成果，你甚至希望可以扎根，讓更多下一代的人可以對科學有興趣。在那個時代我想《科學月刊》幾乎是唯一的選擇。」

張昭鼎是《科學月刊》在位最久的董事長（1973～1993），1970 年代初期是《科學月刊》早年財務最艱困的時候，甚至在 1975 年內部曾經有停刊的想法，而張昭鼎與董事會最後的決策是：保留《科學月刊》，圖書業務則交由他人負責經銷。這個決定影響深遠，讓《科學月刊》度過困難的 1970 年代。

然而，張昭鼎在 1993 年不幸過世。他的離世對好友李遠哲來說是巨大的衝擊。陳貴賢提到，李遠哲曾在懷念故友文章寫道「或許真的是已到了我該回家鄉的時候了」。很多人起初以為他只是暫時回臺灣，沒想到李遠哲真的一直留在臺灣，為原分所、中研院學術界以及臺灣社會持續付出。

張昭鼎離世之後，次年張昭鼎紀念基金會隨之成立。基金會繼承張昭鼎的精神，積極推廣科學教育，在李遠哲院士倡議之下，2011 年基金會首度舉辦了「居禮夫人高中化學營」（今為瑪麗居禮科學營）。瑪麗居禮科學營的招生對象，主要是對數理化學有興趣的高中學生，在四天的營隊活動，邀請重要學者做專題演講，特別精心設計分組實驗實作，讓學員對科學研究有親身體驗。

陳貴賢分享，原本營隊主要籌備是清華大學，後來張昭鼎基金會董事希望在中研院、臺灣師範大學以及張昭鼎紀念基金會的努力下，將營隊活動轉移到臺北。感念張昭鼎對原分所的貢獻，陳貴賢沒有第二句話，全力幫忙。從 2020 年開始，瑪麗居禮科學營就順利在臺北舉辦至今。

入世的科學家——張昭鼎

在原分所服務多年的陳貴賢，雖然和張昭鼎真正相處時間很短，但對張昭鼎的為人處世印象相當深刻。陳貴賢認為，張昭鼎之所以能體會基層的需求，正是因為吃過苦，他出身於困苦家庭，小時候幾乎都在戰亂中度過；而從小得知母親與「鴨母王」朱一貴的血緣牽連，也時刻提醒張昭鼎保持不隨波逐流的反叛思維。

陳貴賢：「他不是關在象牙塔裡面的科學家，他是一個入世的、對社會關懷很深的一個人。」

不僅在學術界有影響力，張昭鼎也在社會廣泛交友，認識許多執政黨與在野黨的人，並與他們建立友誼。陳貴賢提到，這也是當初李遠哲邀請張昭鼎擔任原分所籌備處主任的原因，看重他的人脈和社會參與能力。

除了人脈廣，張昭鼎也力求資源妥善利用。陳貴賢說，之前一位芝加哥大學畢業的同仁曾經回憶，當年張昭鼎到芝加哥去招聘人才的時候，他住的旅館是 YMCA 青年旅館！其實原分所在籌備階段經費是相對充裕的，但是張昭鼎堅持不浪費，將人民的稅金用在最需要的設備添購上。「他的堅持令人敬佩」，陳貴賢說道。

陳貴賢接著回憶，在籌建原分所期間，張昭鼎與行政體系常有意見相左的情況，因為行政人員認為只有法律允許的才可以做。而張昭鼎則試圖在法律找到合情合理的談判空間，所以他在原分所籌建過程也協助突破許多公務採購障礙，提升政府的服務效率。

陳貴賢認為，張昭鼎是一個跨越族群與階級的行動家。跨越族群的意思是，張昭鼎是閩南人、也是臺灣人，但是他不會因為本省／外省、客家／閩南等不同族群，在社會參與上劃地自限。跨越階級的意思是，他的出身困苦，並不是特權或貴族家庭，所以他是入世的、走出來的人，願意服務於基層，也願意為基層服務。

陳貴賢最後感慨地說，張昭鼎是跨越了不同階級與族群的人，只可惜他離開的早。接著，陳貴賢分享自己曾經隨手寫下的一首臺語歌，在訪談中哼了起來，以紀念張昭鼎先生。

啦啦啦啦　啦啦啦啦
啦啦啦啦　啦啦啦啦
地瓜落土　才會生湠
等待春天的雨水
新希望

陳貴賢解釋，這首歌的意思是說，地瓜要放進泥土裡面，才會長出新的葉子，並等待春天的雨水到來。當春雨來的時候，就是一個新的世代。人生路途中，有些人留得比較久，有些人走得比較快。像張昭鼎先生雖然不幸離開，但後面會再有新的一代，就像代表臺灣人的地瓜一樣，堅持著地瓜精神，一直延續下去。

• 文／邱彥哲｜雅文基金會聽語科學研究中心 助理研究員

「Hey, Siri!」「OK, Google!」你曾經對手上的行動裝置說話嗎？你會要求他回答什麼呢？受限於目前的技術，你可能不會得到非常滿意的答案，但至少你會聽到一陣悅耳如同真人的語音吧！這項現今習以為常的技術，其實背後是由很多知識累積而成的。今天，讓我邀請你擔任一日「語音設計師」，從語音合成的技術開始，接著了解人類使用者的聽覺偏好，最後探索不同族群對聆聽合成語音的差異吧！

語音合成（speech synthesis），是指以人工方式，製造出說話的聲音，可以理解為使機器裝置說出人話的技術。廣義來說，很多人也會把文字轉語音（Text to Speech，簡稱 TTS），含括在語音合成的範疇。

語音合成像樂高，但樂高有兩種！

早在 1970 年代，人類就已經開始嘗試讓機器說話了。構思如何讓機器說話這件事，最直接的方式就是請真人錄一段聲音，然後在指定的時機播放。不過，面對複雜的語言情境，我們不可能錄下所有可能的回應 ; 而且若要這樣做，也實在太沒效率。幸好，借助電腦運算技術，可以讓人類向自動生成語音邁進一大步。合成的方法可以分成兩大類，分別是單元選取合成（Unit Selection Synthesis）及參數合成（Parametric Synthesis）^[1]。

單元選取合成這種方法，是將某個語言的語音成分分別以人聲錄製起來，再根據需要的目標語音進行組合。簡單來說，如果需要機器說發出「八」的語音，就必須單獨錄製「ㄅ」跟「ㄚ」。這個技術聽起來直觀方便，但也有缺點。就是事先必須建立一個龐大的語音資料庫，這個資料庫必須包含一個語言所有語音成分，此外，還必須錄下這些語音成分在所有情境下的變化，光想起來就令人有點頭痛。

所以後者，參數合成，就顯得方便許多。這種方法，是直接將語音參數輸入電腦，讓電腦直接根據參數發出聲音，再組成語音。使用參數合成，就可以免去請人錄音的步驟，但直接使用電腦生成的語音，聽起來也會相對不自然。我們可以把這兩類方法想像成是在組合樂高，都是將語音成分一塊一塊組合起來，只是前者的樂高是自然材質（比如說木頭製），後者是人造材質（比如說塑膠）。

借助深度學習，電腦說話很自動

不過，無論是上述哪種方法，都還是需要不少的人工調校，才能使聲音逐步接近人類的語音。但還好，隨著電腦演算的進步，將深度學習（deep learning）運用在語音合成的領域，不但減少了人工成本，也大大提升的語音的擬人性。所謂深度學習，簡單來說就是一套模擬人類神經網絡的演算法。

使用這樣的演算法，設計者只需蒐集大量的語音資料，將資料「餵」給電腦，無須事先切分或分析，電腦便會自動學習其中的規律。如此一來，只要資料數量足夠龐大，電腦就可以自動產生符合自然規律且真實的語音。

但是，身為一位語音設計師，要進一步思考的是：「究竟要餵給電腦什麼呢？」這個問題又必須從使用者的角度來思考：「人類會偏好聆聽什麼樣的語音？」就像生產商品一樣，語音百百款，要能投其所好，才能讓使用者日日寸步不離，對吧！

聆聽也要投其所好，性別頻率最重要

關於合成語音的聆聽偏好，最先被討論的，是性別。雖然我們都知道機器沒有性別，但若希望他和人一樣跟你互動，投射性別是很自然的。不過有人就提出質疑：「為什麼我們的語音助理，都是女性的聲音呢？」美國西北大學梅迪爾傳播新聞整合行銷學院教授 Candy Lee 進行一項調查，測試了 8 種族裔的使用者，結果發現 64% 的人只偏好女性的聲音^[2]。

這樣看起來，預設為女性的聲音應該是沒問題的吧？不過，有人認為這是社會對「助理」的性別刻板印象所致；因為社會習慣女性作為「服務者」，所以在設計語音時，直覺地就挑選了女性聲音。雖然單就頻率方面，的確有研究指出，使用者確實是偏好頻率較高的合成語音^[3]，但若是一昧如此，也極有可能不斷複製性別偏見的印象^[4]。

有鑒於此，越來越多系統開始提供男性語音的選項。更甚者，哥本哈根研究團隊突發奇想，不以性別為選項，而是改以頻率作為調查標準。分析之後，他們得到一個最佳的頻率值──185 赫茲，設計出史上第一個無性別語音助理「Q」^[5]。如此一來，青菜蘿蔔各有所好，聆聽的偏好也朝著多元共好的目標邁進！

聽得舒服，語速考量不能少

解決的性別與頻率的問題，還得注意甚麼呢？專門研究輔助溝通系統（Augmentative and Alternative Communication，簡稱 AAC）的專家想到了語速的問題。輔助溝通系統可以簡單理解成「溝通輔具」，是用以輔助溝通障礙者溝通的工具; 簡單如圖卡，複雜如電子溝通板，都算是其中一員。而像是電子溝通板這類，以螢幕顯示圖片，點擊後可以播放語音的輔具來說，合成語音是很關鍵的技術。

這些溝通障礙專家想知道：「究竟什麼樣的語音速度，是最舒服的呢？」。

Sutton 與其研究團隊招募了 21 至 28 歲的年輕人與 61 至 79 歲的年長者，對合成語音進行語速評分^[6]。語速的計算方式，採用每分鐘幾個字（Words per minute，簡稱 WPM）計算。他們將合成語音調整成不同的語速，範圍介於 120 到 250WPM 之間。結果發現，無論年輕人或年長者，偏好的語速都落在 150 到 200WPM 之間 ; 而年長者則是相對年輕人偏好較慢的語速。這樣的範圍，其實與過去研究提出的人類平均語速，相去不遠^[7]。

如果想知道不同語速聽起來感受如何，可以到合成語音軟體 Speechify^[8]的網站試用，自行調整語速（以 WPM 計算），細細品味其中差異。或者，讓我為你朗讀，請聽示範（語速約 180WPM，內容為「我是彥哲，我是普通人。」）！ 

可見，語音合成的技術雖是極為理性的領域，但若要設計出美妙的語音，對人類感性的理解，也絕對不能偏廢。

合成語音聆聽不易，考量族群差異最貼心

「所以，我只要想辦法把語音設計得很像人類就可以了吧？」你可能會這樣想，不過這裡頭還少了一個部分。現代社會提倡多元，客製化當道，每個人使用同個產品的狀況必然會有差異。

其實，即使是一般人，聆聽並理解合成語音是比自然語音更加困難的。Winters 及 Pisoni 發表的回顧研究指出：由於合成語音的清晰度普遍較差，因此聆聽者通常需要動用更多的認知資源（像是電腦需要動用較多記憶體），以及更多高層次的語言知識來彌補語音訊息的不完整^[9]。如果對普通人來說是如此，對於某些特殊族群來說，想必有更加需要注意的地方。

比如說兒童。Mirenda 及 Beukelman 招募了成年人、10 至 12 歲以及 6 至 8 歲的兒童進行研究^[10]。參與者的任務，是要在聽完自然語音及合成語音播放的八個詞彙之後，再將這八個詞彙回憶並說出來，回答無須按照順序。結果研究者發現，兩組兒童無論聆聽自然或合成語音，回憶詞彙的表現都比成人還差 ; 對於兩組兒童而言，記憶合成語音的表現又更不理想。

由此可知，兒童本身的記憶能力就較成年人弱，在聆聽合成語音時，可以說是是難上加難。

另一個被探討的，是聽障族群。聽障族群最主要的困難，就在於聆聽。聆聽合成語音如果對聽常族群來說本來就比較困難，那對聽障族群應該是更加艱困的挑戰吧！Kangas 和 Allen 的研究^[11]回答了這個問題。研究者請年長聽障者聆聽自然語音與合成語音，並請他們在聆聽後寫出聽到的單字。結果可想而知，聽障者確實在聆聽合成語音的部分表現得比較差。

看完上面的狀況，身為語音設計師的你，在設計語音的時候，是不是也應該從使用者的背景差異去調整你的語音呢？也許是調整語音的頻率，也許是調整語速，也可能，也可能有更多領域需要探索。唯有這樣，才能朝充滿人性又個人化的智慧語音邁進。

怎麼樣？沒想到要設計語音，希望機器說出一句話，背後涉及理性的技術與感性的考量，非常不容易吧！看完之後，你還是可以輕鬆地要求你的行動裝置說個笑話，唱首歌給你聽，自娛娛人；但也千萬別忘記，多留點心思，給這人類文明的結晶致上敬意。一日語音設計師，功成身退！

參考資料

1. 詹姆士・弗拉霍斯。(2019)。從說話機器人到聊天機器人。聲控未來：引爆購物、搜尋、導航、語音助理的下一波兆元商機(孔令新譯，頁104-137)。商周出版。
2. Marc Jacob.(2022/3/30). Medill Study Finds Preference for Female Voices and Local Accents. Northwestern Medill Local News Initiative.
3. 顏宏旭，楊麗平，宋慧宏。(2020)。聽眾對語音合成導覽裝置聲音偏好之探討。戶外遊憩研究。33(4)，83-107。
4. West, M., Rebecca K., & Chew H.E. (2019). I’d Blush if I Could: Closing Gender Divides in Digital Skills Through Education.UNESCO & EQUALS Skills Coalition.
5. GenderLess Voice. (2023/3/3) Meet Q [Web message].
6. Sutton, B., King, J., Hux, K., & Beukelman, D. (1995). Younger and older adults’ rate performance when listening to synthetic speech. Augmentative and Alternative Communication, 11(3), 147-153.
7. Walker, V. G. (1988). Durational Characteristics of Young Adults during Speaking and Reading Tasks. Folia Phoniatrica et Logopaedica, 40(1), 12–20.
8. Speechify. (2023/3/3) Speechify.
9. Winters, S. J., & Pisoni, D. B. (2004). Perception and comprehension of synthetic speech. Research on spoken language processing report, 26, 95-138.
10. Mirenda, P. & Beukelman, D.R. (1987). A comparison of speech synthesis intelligibility with listeners from three age groups. Augmentative and Alternative Communication, 3, 120-128.
11. Kangas, K.A. & Allen, G.D. (1990). Intelligibility of synthetic speech for normal-hearing and hearing impaired listeners. Journal of Speech and Hearing Disorders, 55, 751-755.