Jacob：从ElevenLabs解决的行业问题来看，AI创业的思路与互联网时代并不相同

人声是最原始、最个性的表达方式之一，为了提高效率，很多时候我们会使用合成语音来代替人声，涉及到的商业场景有很多，例如虚拟智能助理、客户呼叫中心、有声读物和媒体内容创作。

文本转语音（TTS）是合成语音最重要的支持技术，2024年，全球的文本转语音（TTS）市场规模大约是40亿美元，但在这之前，把高质量的语音融入这些商业场景中，仍然是一件耗时且成本高昂的事情。

TTS技术的发展最早在1960年出现，由贝尔实验室开发，在1980年之前，早期的TTS系统是通过将文本中的词汇与提前录制好的语音片段匹配，在朗读的时候，机器虽然是在朗读句子，实际上是在朗读每个片段，这种方式既机械又不自然。

文字转语音（TTS）的完整工作流程，简单概括就是4个步骤：

步骤1、文本预处理，也就是把输入的文本转为机器能理解的格式，如分词、标注等

步骤2、文本到音频特征的转换，也就是把处理后的文本转化成具备音频特征的信息，如音素和韵律特征信息

步骤3、音频生成，也就是把音频特征转换成实际的音频

步骤4、音频后处理，也就是把生成后的音频进一步做优化，例如降噪、均衡等

要模拟真正的人声，最关键的问题在于：在转换的过程中，要避免减少重要信息的流失。这些重要的信息包括基于特定内容流畅且自然的表达、对上下文理解过后带有情感的表达，这些所谓的表达可以说是“千人千面”，每一段不同的文本都对应着不同的表达。

传统的文本转语音有两处转换信息流失较为严重，第一处发生在步骤2：文本到音频特征的转换。

传统的TTS技术使用预定义的规则生成音素（最小的语音单位）和韵律（语调、重音和节奏），极度依赖规则的精细化程度，难以处理复杂且多样化的语音特征，要拓展范围就要拓展大量的规则并加以手工调整，难以维护。

ElevenLabs在这一步采用的改进是，使用Tacotron直接从文本生成频谱图，频谱图是一种音频信号的图形表示，通过大量的语音数据训练，Tacotron模型学习文本与语音特征之间的复杂映射关系，从而可以给特定的文本输出个性化的频谱图，更能够捕捉和表达复杂的语音特征，减少重要信息的流失。

相比传统的文本转语音技术，生成和处理频谱图需要较高的计算能力，在早期计算资源有限的情况下，这种方式难以实现。

另外一个信息流失较为严重的，是发生在步骤3：音频生成。

传统的TTS技术是基于前期的音素和韵律信息，然后声码器把这些参数转换为音频波形，但这里存在两个问题：其一是用来转换的参数本身就丢失了很多细节和动态的变化，也就是传统步骤2 的处理带来的影响，其二是早期计算机的处理能力，难以支持生成高分辨率的音频波形。

ElevenLabs采用WaveNet模型，它通过深度学习模型，从前面的音频采样点来预测下一个采样点的概率分布，从而生成连续的高质量的音频波形。

你可以理解为，Tacotron提供的频谱图，塑造了音频信息个性化的信息骨架，而WaveNet就是在骨架的空隙位置，通过概率分布预测来补上必要的波形，从而生成高质量连续的音频波形。

传统高质量合成语音的生产流程，可为冗长且昂贵。

首先在专业录音阶段，你需要选择专业的语音演员来录制高质量的语音数据，还要采用专业的录音室确保录音清晰无噪音，录音时间一般要数百小时，用来覆盖所有可能的音素和语音组合。录完音之后还要做各种标注和声音片段的切割，最后再用声码器合成，边合成边做细致调整。

这就是为什么播客仍然要用昂贵的设备、安静的房间来记录每句话，而游戏设计师也只能为主要角色聘请配音演员，其他边缘角色只能保持沉默，因为在之前要做一段媲美人类发声的语音成本实在太高了。

在这之前，一本8-10小时的有声书，整体成本可能达到2000-10000美元，具体取决于录音演员的名气、录音室的质量以及后期处理的复杂程度，其中8-10小时的有声书约为8万字符，而ElevenLabs的独立出版商套餐每月能提供50万字符的转换，每月只需要99美元，成本是现在的1/20.

ElevenLabs的出现，使这一现状只需要点击几下，就生成了令人难以置信的人类声音，并具有适当的停顿、语调和呼吸节奏，你甚至可以通过ElevenLabs克隆自己的声音。

这是典型的效果提升10倍，而且成本降低10倍的解决方案，每当行文至此，我也只能羡慕无比，这不就是我们苦苦追求最契合市场需求的生意了吗？

回顾TTS行业的发展，不难发现关键问题的解决方案，其实是来自于并行计算能力的极大提升：

2006年，NVIDIA发布CUDA，打开了用GPU进行通用计算的局面；

2009年，Raina等人的论文《Large-scale Deep Unsupervised Learning using Graphics Processors》，证明了GPU在深度学习中的大规模运算优势；

2016年，Google DeepMind团队研发出WaveNet，能够直接生成高质量音频波形；

2017年，Google Brain团队研发出Tacotron，能够直接从文本生成频谱图；

2022年，Mati Staniszewski和Piotr Dabkowski创立ElevenLabs，能够直接从文本生成媲美人声的语音；

Mati Staniszewski和Piotr Dabkowski是ElevenLabs的两位创始人，都曾就职于Google，均在波兰华沙长大，两人早期都有一个共同经历，就是在波兰看配音电影的时候，这些配音经常缺乏感情，一点也不生动，后来他们希望通过AI技术去解决这个问题。

并行计算能力的提升，将会促使很多领域对应的模型诞生，这些模型都能通过大量的训练和学习，把行业里面原本因为极致个性化而无法解决的关键问题而消灭，就像TTS技术领域里面，WaveNet和Tacotron的出现，就是让文本对应音频的信息，在转换的时候尽可能完整保留，从另外一个角度来看，这本身就是对个性化文本信息的一种处理。

以往在互联网时期，关键词是建立连接，从生产关系的角度出发，往往是处理高频、标品的业务，才是最适合利用互联网去提升效率的。

在人工智能的时代，并行计算能力带来的实际上是生产力的变更，生产力的提升让机器不只停留在处理标品的水平，如果解决业务里面个性化部分的价值较大，也许这个业务才是最适合通过人工智能来解决。

ElevenLabs就是最好的例子。

--

所有文章仅表达作者个人观点，不构成对所述资产的任何财务建议。