117
最近，听到不少语音圈儿的盆友都在议论一场比赛。
什么超少样本啊，什么乱入啊，还有什么教育……
咦，“教育”是什么鬼？
仔细打听才知道，原来是刚刚落幕的国际TTS（语音合成）赛事M2VoC。
M2VoC，又称多说话人多风格音色克隆大赛，就是给你极少的语音样本（最少5个的那种），让你合成同种风格的声音。
这不就一场常规的技术玩家竞技盛会嘛？
盆友表示，意外就意外在，这次的子赛道冠军里，混进了一个“异类”——
搞直播网课的猿辅导。
搞在线教育，还能搞出个AI冠军？？？
据说，获奖团队当时还有其他紧急任务，就随机派了两个人，硬挤了5天时间来参赛。
疑似凡尔赛，而且有证据！
但桥豆麻袋，猿辅导，确定是一家在线教育公司哈？！
M2VoC首战告捷
还是先来看看比赛本身。
猿辅导乱入参加的比赛，是声学、语音和信号处理国际会议（ICASSP）信号处理挑战期间任务——多说话人多风格音色克隆大赛（M2VoC）。
而ICASSP作为IEEE信号处理协会组织的年度会议，也是信号处理及应用方面最权威的会议之一。
据称，这还是世界上第一个小资源音色克隆挑战赛。
大赛共分为两个赛道，一个少样本赛道，另一个是比“少样本”更少的赛道。
在极少样本赛道，参赛者需要针对不同说话风格和5个可用音色样本进行校验和测试。
每个赛道又分为开集和闭集。开集，即用任何公开数据；闭集，即只能用官方给到的数据。
最终共有150多支队伍参赛，而在极少样本开集赛道中猿辅导获得了第一。
另外在少样本开集、极少样本闭集的赛道里，分别获得了第4、第5的成绩。
实际上，猿辅导此次比赛中呈现的，并非实验室技术。
而是一个早已经在小猿口算、猿辅导网课等产品中的技术，用于英语发音、题干读题等场景。
比如说读一个数学题，有些幼龄的小朋友字认不全，需要读出来让孩子理解；另外，老师们也可以设定一个题目，根据题目的文字合成一个音频。
尤其是在英语听力上的应用，发音要求更为严苛。
但一线老师反馈说，这比公开服务更好用。
以前，由老师出题，然后找正规的英音、美音老师录制。一般外包公司制作一周才返回语音包。
如果有修改，那就最少2周，遇到节假日就更不可控了。
现在通过语音合成，一句10秒长度的句子，不到1秒就可以完成语音转化，效率上有很大的提升。
这样一来，2个人准备5天时间就参加比赛，就也不是那么夸张了。
只是没想到的是，第一次征战国际赛事的他们，就获得子赛道第一的成绩。
对于这样的结果，他们表示有点意外。
拿到（极少样本开集）子赛道第一名，我们有点意外。技术领域的大牛很多，我们也会继续努力！
基本思路跟平时的训练流程一致，由大规模样本的预训练和小规模样本的微调训练组成。
至于获奖的原因，团队内部分析认为，除了训练数据选的比较好之外，他们在语音合成的前端所采用的停顿、韵律模型，让合成出来的语音效果更加自然了。
一般来说，通用的语音合成技术，大都将目光聚焦在合成字眼的准确性。其他有如准确发音、韵律情绪、适当停顿等问题通常不会顾及。
就是一个莫得感情的朗读机器~
但在教育领域，这些平时容易忽视的痛点，就变成了技术团队重点攻克的对象。
既要保证在遇到类似多音字这样的情况时，发出正确的读音，又需要在面向低龄儿童的教学场景中，让拼读更加自然、富有韵律不生涩。
不能因为我冷漠，就耽误了小孩学习呀！（手动狗头）
也恰好因为这一点，猿辅导得到了主办方、评委会的肯定。
在猿辅导搞技术是一种什么体验？
所以，猿辅导作为一家在线教育公司，为什么会出现在语音合成技术的国际赛场上？
其实缘于一个偶然的契机。
当时，这次的参赛队员杨明祺将随手刷到的大赛信息转发到语音组群里。就在研发同学们的日常吹水中，他们突然想到，猿辅导在这方面已有技术积累，何不趁着这个比赛跟其他队伍切磋交流一下，看看在统一任务下别人有什么不一样的想法可以借鉴学习。
这种保持对前沿技术关注、主动学习的操作，倒并不是临时起意，而是整个技术部门再正常不过的日常。
从他们坚持已久的一个习惯中也可见一斑——
Paper reading，是猿辅导AI Lab自2014年成立以来一直坚持至今的一项活动。
7年来，团队每周都会安排一位技术同学在组会时分享一篇前沿技术论文，并与其他同事深入交流讨论。
起初，整个实验室的都要一起参加这样的阅读会。后来随着规模的不断扩大，改为下设5个实验室分别举办，自己实验室的同学当然必须参加，其他实验室的人也可以根据兴趣参与进来。
不同技术之间的碰撞，也成为了猿辅导独有的技术方法论。
语音实验室语音合成组的杨明祺，就分享了一段经历。
在听到降噪小组分享有关提高信噪比的最新技术时，语音合成组就想到，是否能将这样的技术应用到TTS上来。因为平时采集的训练样本，录制环境不一，音质无法保证，而引入相关技术，就能从数据层面来提升最终合成语音的质量。
除此之外，作为一家在线教育公司，猿辅导有更丰富、更具体的落地场景，因此也就要比一般的技术公司更看重技术落地。
低延时直播，就是这样一个例子。
市面上通用的直播技术，可能有1-3秒、甚至更长的延时，对于直播带货这个场景下影响不大，但要是在教育教学上，学生和老师有着很强的互动需求，几秒的延时就会影响教学体验。
就比如，老师在课上提问，学生正在思考的时候，老师就已经给出答案讲下一个问题了。
因此，就需要将延时技术从3秒降到0.3秒，来维持课堂效果。
语音组马楠也表示，
很多时候，一线的教学老师提出需求，研发人员就要想办法结合最先进的技术来满足。
所以平时看到一些新的论文、技术方案，也会想着能具体落到什么场景，能否配合一线老师教学。
也正因为看重落地的本质，他们随时保持着Ready的状态。
什么时候有新的需求，就想着法儿的用技术去满足，也因此团队成员们练就了能快速适应业务转型的本领。
马楠说，他们这个语音合成组，大多本来不是这个专业的，比如有的成员过去是做搜索的，可以说都是逐渐摸索学习过来的。
现在他们从一个想法到Demo，只需要半个月到1个月的时间就可以达成。
因此，也不同于其他技术团队的成就感，他们成就感的来源，更多是一线老师的反馈。
“比公开服务更好用”，就是他们接收到的最好的嘉奖。
隐藏在教育背后的技术实力
事实上，虽然外界对猿辅导的认知更多地聚焦在“教育”上，但猿辅导从成立之初，就是一家把“技术”视作核心竞争力的公司。
在2014年，猿辅导就成立了AI Lab，是在线教育行业内首个成立AI研究院的企业。
从业务上看，猿辅导旗下有：拍一下就能秒出解题思路的小猿搜题，用AI帮助老师、家长批改作业的小猿口算，利用AI打造智能学习模型的斑马AI课……
其背后所需要的技术支持，不止于语音，还包括视觉、自然语言理解、音视频等多个领域。
就用斑马AI课来举个例子好了。
斑马AI课作为目前国内面向学龄前儿童的最大在线课程学习平台，最吸引人的一点就是能做到“因材施教”。
也就是说，不仅仅是根据小盆友的年纪简单粗暴地划分学习阶段，而是让孩子也能自适应学习。
等等，自适应，这不是个教育AI模型的法子吗？
其实是这么回事儿，以猿辅导百亿级少儿语言行为大数据为基础，通过对孩子的语言行为进行分析，就能更加细致地了解到孩子当前的学习情况，进而智能地调整课程的难度、“打怪”的路径。上完网课，还能根据AI大数据分析，生成个性化的学习报告，及时反馈学习成果。
另外，就像之前提到的，通用模型在落地到更加垂直的场景中时，表现往往不尽如人意。比如小朋友咿咿呀呀的发音，就比常规的成人语音识别更加困难，需要有针对性地收集数据、优化模型。
源于这样的背景，目前，猿辅导已经发展形成语音实验室、视觉实验室、自然语言理解实验室、音视频实验室和基础支撑五大实验室。
而作为技术人员的马楠也强调：
对于我们的产品来说，前沿技术的支持并不是可有可无的，而是产品之所以能成立的核心原因。
以搜题为例，如果OCR的准确率不够高，搜得不够准，用户根本就不会选择使用。
站在现在这个时间节点，从用户选择的角度来看，猿辅导已经成为国内网课用户规模最大的在线教育公司。
而从技术验证的层面来看，猿辅导曾先后在MS MARCO机器阅读理解水平测试、斯坦福问答数据集两项世界级NLP赛事中斩获冠军，如今也在语音等更多领域的世界赛事上崭露头角……
资本对其业务、技术的认可，也已落在了具体的数字上：估值155亿美金，是全球估值最高的在线教育独角兽公司。
就在这样的高速发展之中，体量越来越大的猿辅导，在重视落地之外，也越来越看重“长期主义”。
马楠就透露，现在在技术团队内部，有相当一部分人力投入到了前沿技术的探索、攻关当中。这类研发工作在短期看来不会立刻被用上，但公司认为，从长期发展的角度来看，这些积累将成为猿辅导技术护城河的关键组成。
最后，再来总结一下，猿辅导究竟是一家什么样的技术公司？
以在线教育之名，从每个具体场景出发，将AI技术之力在各个产品中得以体现。
如果一项技术研发的很厉害但没用上，对猿辅导来说是不太可能的。
因此可以说，猿辅导的AI更具有实用主义色彩。
曾经，中国的教育领域一度被认为格局已成。但以猿辅导为代表的第三代教育科技公司，却以黑马之势登上历史舞台，撕开了一条新的进击之路。
背后的核心关键词，正是技术，正是AI。
而教育在AI等新一代技术驱动之下展现的潜力，或许才刚刚开始。
