AIGC 時代有聲書行業(yè)的機遇與挑戰(zhàn)

■文/程 輝

在生成式人工智能時代，有聲書行業(yè)的生產流程將重塑，生產力會有突破性提高。

隨著人工智能（Artificial Intelligence，AI）技術的不斷發(fā)展，聊天生成式預訓練模型（Chat Generative Pre-trained Transformers，ChatGPT）橫空出世，我們迎來了生成式人工智能（Artificial Intelligence Generated Content，AIGC）時代。

AI 正加速滲透各行各業(yè)，以塑造產業(yè)新范式，一場新的生產力與創(chuàng)造力革命蓄勢待發(fā)。AI 語音技術是AIGC 領域的重要分支之一，隨著AI 技術的發(fā)展，其角色功能、產品服務和行業(yè)生態(tài)等都發(fā)生了巨大的變化。

AIGC 影響各行各業(yè)

2022 年，ChatGPT 憑借其在語義理解、文本創(chuàng)作、代碼編寫、邏輯推理、知識問答等方面的卓越表現，以及自然語言對話的低門檻交互方式，迅速躥紅網絡，收獲了大批用戶。ChatGPT-4 引起了人們對AIGC 的廣泛關注。第50 次《中國互聯(lián)網絡發(fā)展狀況統(tǒng)計報告》顯示，截至2022 年6 月，中國互聯(lián)網普及率已高達74.4%。在網民規(guī)模不斷提升、網絡接入環(huán)境日漸多元、AI 技術助推行業(yè)數字化轉型升級的宏觀環(huán)境下，作為新型內容生產方式的AIGC 技術，為行業(yè)轉型的落地提供了想象空間。

AIGC 是一種基于人工智能技術的自動化內容生成系統(tǒng)，可以使用機器學習和自然語言處理（Natural Language Processing，NLP）等技術，學習和分析海量數據，讓計算機模擬人類的創(chuàng)造力和判斷力，自動生成符合人類需求的各種文本、圖像、音頻和視頻等多媒體內容。

AIGC 興起主要源于自然語言處理和擴散模型（Diffusion Model）的發(fā)展與開源。20世紀50年代，計算機科學家就開始嘗試使用計算機生成語言模型。隨著機器學習和深度學習等技術的不斷突破，AIGC 技術得到了快速的發(fā)展。

AIGC 是一次新技術革命，具有極強的普適性，可以改造和升級人類生產、生活的方方面面。它的發(fā)展分為3 個時期：醞釀萌芽階段（20 世紀50年代至90 年代中期）、穩(wěn)步推進階段（20 世紀90 年代中期至21 世紀第二個十年中期），以及迅猛發(fā)展階段（21 世紀第二個十年中期至今）。

在醞釀萌芽階段，AIGC 處于實驗室探索中。在穩(wěn)步推進階段，隨著算法的不斷優(yōu)化，AIGC 逐步出現在各式各樣的應用場景和商業(yè)模式中，在圖像、音樂、視頻等領域得到了廣泛應用。在迅猛發(fā)展階段，AIGC 開始與其他技術深度融合，如自然語言處理、計算機視覺、機器學習等，融合后，AIGC 更加全面，可以實現更復雜、更高級的內容生成和創(chuàng)作等。

艾瑞咨詢2023 年發(fā)布的《AIGC 系列報告——中國AIGC 產業(yè)全景報告》指出，內容生成與理解是大模型的核心能力，AIGC 的產業(yè)價值主要體現在以此為核心的“變革內容生產方式”與“變革人機交互方式”兩方面。大模型對內容理解和內容生成的雙向能力使AIGC 既能以極低門檻實現多模態(tài)內容生成，也可脫離內容生產核心場景泛化為一種人機對話的媒介。基于此種理解，AIGC 將實現內容創(chuàng)作權的下放，借助針對各垂直領域衍生的大量AI 生產工具，實現全行業(yè)內容生產效率的飛升。

AIGC 會引發(fā)內容行業(yè)巨變。2023 年9 月21 日，愛奇藝創(chuàng)始人、首席執(zhí)行官龔宇在“2023 愛奇藝iJOY 悅享會”上分享了他對行業(yè)的最新思考。在他看來，AI 在影視內容策劃、開發(fā)、制作以及宣發(fā)等方面將有重要的應用空間。其實，不僅在影視行業(yè)，AIGC 還會在許多其他內容行業(yè)如編輯出版、新聞、設計等的生產端、分發(fā)端、產業(yè)端重構生產模式。

AIGC 可幫助教育行業(yè)突破傳統(tǒng)教育模式及人工生產效率的限制，實施個性化教學、智能輔導、自動化評估，構建在線學習平臺以及提供全面的管理。它的介入會提升教學效率和質量，實現個性化教育和精準教育，助力教育行業(yè)的數字化轉型和教學模式的變革。

AIGC 與金融業(yè)的結合也格外引人注目。目前，摩根士丹利、彭博、德意志銀行等都已有初具雛形的應用落地。有學者指出，AIGC 可以在金融行業(yè)中的客戶服務、產品創(chuàng)新、智慧辦公、研發(fā)管理、監(jiān)管合規(guī)知識庫建設和代碼開發(fā)等方面發(fā)揮作用。有了AIGC 的加持，金融行業(yè)將發(fā)生質的蛻變。

對網絡視聽行業(yè)而言，置身以內容分發(fā)平臺為核心的內容消費賽道，連接供應端的創(chuàng)作者和需求端的大量用戶，線上內容資源是最核心的生產力，創(chuàng)作者需要將內容質量保持在可持續(xù)吸引用戶注意力的水平。AIGC 主要影響的是內容創(chuàng)作與人機交互，線上化程度越高、內容占比越大的行業(yè)，變革越深刻和廣泛。由此，它的入局對業(yè)態(tài)而言勢必是一場深刻的顛覆與變革。

語音合成技術進入有聲書行業(yè)

近年來，國內各大互聯(lián)網巨頭的發(fā)展軌跡都有一個“共性”：利用AI 技術賦能傳統(tǒng)行業(yè)。AI語音技術作為AIGC 的重要分支之一，被應用于傳統(tǒng)有聲書出版業(yè)，為有聲書行業(yè)重塑生產流程、提高生產力提供了可能性。

AI 語音技術包括語音識別（Automatic Speech Recognition，ASR）、自然語言處理和語音合成（Text to Speech，TTS）等三大技術。其中，語音合成技術在有聲書行業(yè)的生產端已顯現出強大的生產力。

語音合成是將計算機自己產生的或外部輸入的文字信息轉變?yōu)榭谡Z輸出的技術。它涉及聲學、語言學、數字信號處理、計算機科學等多個學科，主攻如何將文字信息轉化為可聽的聲音信息，讓機器像人一樣開口說話。不同于錄音機式的聲音回放設備，語音合成是將任意文本轉換成具有高自然度的語音。

語音合成流水線包含文本前端（text frontend）、聲學模型（acoustic model）和聲碼器（vocoder）等3 個主要模塊。語音合成的流程是：通過文本前端模塊將原始文本轉換為字符/音素；通過聲學模型將字符/ 音素轉換為聲學特征，如線性頻譜圖、mel 頻譜圖、LPC特征等；通過聲碼器將聲學特征轉換為波形，最終合成語音。

隨著AI 的進步，神經網絡、深度學習等技術出現，“TTS+AI”的組合使得電子合成語音愈發(fā)自然和準確。針對情感起伏大、音色個性化、聲線多元、貼合人聲等更精細化的需求，目前已有AI 語音廠商提供“情感TTS”定制，旨在通過調整音色的語調、音高、語速，甚至模擬人類的生氣、傷心、高興等語氣，讓電子合成語音符合語境或場景，具有“情感”。

得益于互聯(lián)網技術發(fā)展與移動終端的普及，近年來，人們更青睞于“內化”的居家生活方式，有聲讀物市場呈爆發(fā)式增長。智研咨詢認為，2023 年中國有聲讀物市場規(guī)模有望突破100億元（見圖1）。

圖1 2015—2023 年中國有聲讀物行業(yè)市場規(guī)模

有聲書行業(yè)的傳統(tǒng)制作流程由人工手動操作。審聽音頻、拼接多名主播的人聲、制作后期墊樂等依靠純人工完成，僅20 萬字的讀物需要耗費近1 個月的時間才能完成制作。此外，有聲書行業(yè)存在大量重復勞動的工作，準入門檻低，從業(yè)人員多由利用閑散時間發(fā)展副業(yè)的兼職人員組成，內容裂變雖然增長迅速，優(yōu)質精品卻是鳳毛麟角，目前尚未形成行之有效、監(jiān)管有力的行業(yè)規(guī)范?，F存有聲書普遍存在制作流程周期長、成本高、質量不穩(wěn)定、水平良莠不齊的問題，傳統(tǒng)低效的制作方式很難滿足井噴式增長的有聲書市場需求。AI 入局，其內容創(chuàng)作方式與人機交互模式會充分發(fā)揮技術優(yōu)勢，為有聲書行業(yè)的轉型提供參考路徑。

首先，AI 音色具有高擬人度、高流暢度的特色。語音合成平臺能提供多樣化、個性化的音色，可模擬人在不同場景下的語氣、狀態(tài)與情感，在一定程度上媲美真人，其提供的大量音色素材，為有聲書創(chuàng)作奠定了技術基礎。

其次，有聲讀物的制作周期縮短。TTS 技術在短時間內將海量文本生成語音，極大地縮短了錄制時間。例如，在Reflect Audio 推出的有聲讀物制作平臺上，AI 主播的制作速度超過500 萬字/天。

最后，制作成本降低。用AI 代替真人，音色可從語音合成平臺提供的豐富音色中選擇，實實在在地省去了高昂的錄制費用，低廉的成本即可獲得一級主播的優(yōu)質聲音，實現高品質的創(chuàng)作。

“AI+有聲”新模式

在大量AI 生產工具的應用陸續(xù)落地的背景下，各類企業(yè)數字化語音廠商都在圍繞大模型尋找自身的優(yōu)勢空間與定位。在有聲書行業(yè)這一垂直領域內，涌現一大批在AI 語音發(fā)力的企業(yè)，或能實現AI 語音生產的實際落地。

國內一家首創(chuàng)“AI+真人”混合錄制形式的企業(yè)——上海家瑤網絡科技有限公司的業(yè)務模式與成長路徑，或能為“AI+有聲”的應用層落地提供注腳。除利用“情感TTS”音色批量錄制有聲讀物之外，針對有聲書行業(yè)存在的核心痛點問題，公司獨立研發(fā)的AI 自動對軌、AI 輔助審聽的應用級產品“愛對軌”，借助行業(yè)領先的語音識別模型，實現了AI 全流程參與制作，由AI 自動完成繁復低效的操作，并輔助對音頻內容進行審校，“以看代聽”，極大地縮短了制作周期，提高了內容準確率。

AIGC 在內容消費領域引起了生產力變革，從技術到商業(yè)模式的路徑已全線打通，各類企業(yè)借助技術背景發(fā)揮自身優(yōu)勢，帶來的海量下游應用優(yōu)化將進一步釋放行業(yè)創(chuàng)作活力與創(chuàng)新力?！癆I+有聲”模式作為其中一個縮影，也將拓展有聲書行業(yè)市場規(guī)模，助力形成更加蓬勃發(fā)展的有聲書市場。