原子力顯微鏡探針尖端上的抗體

2020 年迎來一場災難，一種新型冠狀病毒在全世界傳播開來。任何略知流行病史的人，應該都不會對新冠病毒造成的嚴重疫情感到太意外。我極為關注全球衛生問題，從多年前就開始研究疾病的爆發，一直很擔憂全球還沒準備好應付像 1918 年流感那樣的疾病大流行；那場大流行病造成幾千萬人死亡。我在 2015 年發表過一場 TED 演講，同時在幾次採訪中，也提出我們需要建立一個檢測和應對疾病大規模爆發的系統。

遺憾的是，全球還是沒有做好準備。當新冠病毒爆發，疫情造成巨大的人命損失，以及自大蕭條以來最嚴重的經濟痛苦。

付出高昂代價換來的 4.5% 減幅

由於經濟活動大幅衰減，2020 年全球的溫室氣體排放量比前一年少。減幅大約是 4.5% ，這是有效的減幅，假如溫室氣體排放量每年都能保持這樣的降幅，我們就可以高枕無憂了。

很可惜，這是不可能的事。

想一想，我們付出了多少代價才有這 4.5% 的減幅：全球有上百萬人死亡，幾千萬人失業。沒有人希望疫情持續下去，更別說重來一遍。疫情使溫室氣體排放量下降，我感到驚訝的不是降這麼多，而是怎麼降這麼少。

這一點點減幅證明了我們不能光靠少搭飛機、少開車來達到零排放，甚至就連那些被我們視為減少排放的主要途徑，效果都十分有限。

我的思維比較像工程師，不是政治人物，所以也不知該如何解決氣候變遷的政治問題，特別是在美國，氣候變遷的討論已經被政治綁架。能做的只是把討論重點放在該怎麼達到零排放：我們必須傾全世界之力、投入全人類的科學頭腦，讓現有的清潔能源方案能被有效運用，同時發明新技術，以徹底停止排放溫室氣體到大氣中。

關鍵在清潔能源如何變得便宜又穩定

我的碳足跡實在高得離譜。多年來，我一直對此感到內疚。由於寫這本書，更加意識到自己有責任減碳。身為憂心氣候變遷、公開呼籲大家攜手對抗的一份子，減少個人碳足跡是最基本該做到的事。

我從 2020 年開始購買永續航空燃料，預計到 2021 年就會完全抵銷我和家人搭飛機所造成的碳足跡。至於其他方面，我也投資零碳技術，希望這也算是我個人碳足跡的補償，前後已經投入超過 10 億美元，但願這些技術最終能幫助全球實現零排放，研發出穩定而人人負擔得起的清潔能源。

儘管像我這樣的重度排碳者應該減少能源用量，全球整體其實應該使用更多由能源提供的產品和服務，只要是零碳能源，消耗更多能源就不是問題。解決氣候變遷問題的關鍵，就是使清潔能源和化石燃料一樣便宜和穩定。

——本文摘自《如何避免氣候災難：結合科技與商業的奇蹟，全面啟動淨零轉型新經濟》，2023 年 ３ 月，天下雜誌出版，未經同意請勿轉載。

• 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.

「那無疑是我從沒嚐過的味道」，論文的第一兼通訊作者 Jonathan David Blutinger 回想起初期的失敗，委婉地承認：「其實不難吃，只是與眾不同。我們畢竟不是米其林大廚。」^[1]所幸皇天不負苦心人，在多次修正後，美國哥倫比亞大學的團隊，終於做出原料一樣，但是不再坍塌的蛋糕，並於 2023 年 3 月的《npj 食品科學》（npj Science of Food）期刊上分享食譜。^[2]

3D 列印蛋糕的食譜

研究團隊的終極目標，是希望將來任何人均能用簡單的軟體烹飪，3D 列印再雷射加熱，創造經濟、健康且美味的餐點。他們選擇的食材相當普遍，全部都從美國紐約的 Appletree Market 超商購買。^[2]

材料

Skippy 花生醬、J.M. Smucker 草莓果醬、Nutella 榛果巧克力醬、Betty Crocker 糖霜、Krasdale櫻桃淋醬、拿叉子搗爛的香蕉泥；以及用食物調理機攪 2 分鐘製成的全麥餅乾糊（8 塊全麥餅乾、2 湯匙的牛油和 4 茶匙的水）。^[2]

步驟

（1）冷藏材料，使其變得濃稠，以穩定結構。^[2]

（2）把各種材料灌入分別的 7 支針筒（30ml；14 gauge）。^[2]

（3）將針筒裝進特製的 3D 食物印表機。^[2]

（4）把壓克力餐盤擺在 3D 印表機下，盛接針筒擠出的條狀物。其直徑約 1.5 毫米，會逐漸累積出蛋糕的半成品。^[2]

（5）論文有寫到運用藍光和紅外線，為蛋糕加熱。不過，實驗方法的段落，僅提及 3D 印表機附設的藍光雷射二極體（blue laser diode），也就是下圖中黑色的長方體。^[2]

從上面的影片，可見早期幾個版本的蛋糕，非常容易崩垮。^[2]研究團隊於是依據物質受力變形時，展現的黏性和彈性特質，即黏彈性（viscoelasticity），將食材分為「結構」與「填料」兩類，並在軟體中改變設計：^{[2, 3]}用結構性強的全麥餅乾糊，作為蛋糕各層的形狀基礎，又以花生醬和榛果巧克力醬輔助支撐，再填入其他相對柔軟的原料。最後，他們調整 3D 印表機的針筒高度，並減緩列印的速度。如此擠出來的流體，尾端便不會蜷曲。能避免繩捲效應（coiling effect或rope-coil effect），破壞蛋糕表面的平整。要不然有時會出現本文開頭的圖組中，最末一塊蛋糕那種毛躁的外貌。^[2]

3D 列印食品的推廣

目前 3D 列印食物尚未普及，此蛋糕的成形有如曇花一現。這一方面是基於科技新穎，懂得操作的人還少；另方面則因為這種印表機索價不菲，不是誰都玩得起。如果要商業化，研究團隊認為得採取 Gillette 刮鬍刀和 Nespresso 咖啡機的經營模式：壓低主要產品本身的價格，後續再從耗材獲利。換句話說，廠商賣出廉價的 3D 食物印表機，之後消費者就會以零買或長期訂購的模式，購買列印用的食譜和食物匣。食物匣的內容物，發展空間多元。除了碎肉和花生醬等泥狀物；也能推出醬油、橄欖油等液體；食鹽與胡椒之類的顆粒；還有百里香或香芹這類碎片等，任何可食用的東西。^[2]

此外，在薄利多銷和產品開發的同時，也要提升大眾的接受度。偏好天然食材，或是不信任食品產業，都是對 3D 食物列印存有疑慮的原因。研究團隊提出的解方，是宣傳它的好處，例如：精準調配營養，不浪費材料；降低能源耗損；以及客製化的食譜等。^[2]當然，似乎也就避而不談犧牲纖維質，以求列印順暢等問題。^[1]總之，他們描繪出科技烹飪的美好願景，並且排除萬難，要讓飲食邁向全新時代。倘若有天上述的市場成熟，產品賣相比論文中的蛋糕誘人，您會願意品嚐嗎？

致謝

特別感謝許凱勝先生協助確認技術細節。

參考資料

1. Sample I. (22 MAR 2023) ‘Have your cake and print it: the 3D culinary revolution is coming’. The Guardian.
2. Blutinger, J.D., Cooper, C.C., Karthik, S. et al. (2023) ‘The future of software-controlled cooking’. npj Science of Food, 7, 6.
3. Gan H, LAM Y. (2008). ‘Viscoelasticity’. In: Li, D. (eds) Encyclopedia of Microfluidics and Nanofluidics. Springer, Boston, MA.