【摘要】无论国内还是国外的企业，都非常重视声音定制对于触达用户、引导成交、树立企业科技形象的重要价值，但同时声音、音质是一个难以量化的东西，我们该如何选择最合适的声音定制方案呢？

人的声音是一个很奇妙的东西，一方面我们很难用日常词语将人声描述得很具体（相对于人的外貌），但另一方面，我们大脑对人声的记忆力、分辨力和联想能力却非常强，我们能够“闻声识人”，通过声音区分不同人物，通过声音节奏、音量大小感知对方情绪，甚至了解到对方的性格特点。同一句话，不同的语速、语气、语调，我们也能敏锐察觉到情感上的细微差异。当听到清澈、明朗的高音声音时，我们会很自然地联想到灵动、单纯的小女孩，大脑会瞬间放松戒备，启动“打开”模式来接收外界信息，即轻快的、使人放松的声音提高了信息的接受程度。 

声音定制的应用

前进保险公司（Progressive Insurance）是美国保险业的一股创新力量，他们推出了一款对话机器人Flo，在定制这个机器人声音的原型时，Progressive Insurance寻找了许多形象，最终选定为Stephanie Courtney在电视广告中所塑造的、观众熟知的销售人员 Flo，其声音给人一种俏皮可爱、个性开朗的感觉，一经推出便深受人们喜爱，在Facebook上收获了上百万粉丝。Flo的出现，帮助Progressive Insurance触达用户、引导成交，在宣传公司科技形象方面，也起到了无法估量的作用。

在国内，也有企业很早就认识到个性化的声音对于产品、企业的重要价值，并通过声音来凸显产品定位或企业形象、占领用户心智。在某些行业，定制IP声音已成为标配，如手机导航软件、有声读物平台、金融业智能客服等。除了这些我们熟知的，其他的应用场景还包括：定制明星声音用于品牌传播及市场营销；定制动漫IP声音用于增加互动，提高动漫形象的趣味性；在知识付费领域，定制名师、大V或KOL的声音以提高内容的受欢迎程度······随着元宇宙、虚拟人的兴起，声音定制的落地场景也将越来越多。

如何定义一个好方案

声音、音质是一个难以量化的东西，甚至不同细分场景差异巨大，如何定义一个优秀的声音定制方案呢？

我们调研了多家已进行或正在进行声音定制的虚拟人平台、有声阅读平台和品牌营销公司，发现他们最看重的是声音的逼真度，具体可以量化为3个维度及对应的4个指标，3个维度包括系统可懂性、自然度、相似度，（以中文为例）对应的指标包括PER（拼音-不包含声调-错误率，越低越好）、PTER（拼音-包含声调-错误率，越低越好）、MOS（自然度音质，越高越好）、Sim（与真人声音的相似度，越高越好）。

与智能语音领域专业人士的沟通中，我们了解到，这一赛道的头部企业国外如谷歌、苹果，国内如 BAT，因其资本优势以及先发性的技术沉淀，对该市场有较强的垄断性，但按声音定制的实际效果而言，根据关键指标、客户口碑，国内企业已经有一匹黑马突出重围——深声科技（https://www.deepsound.cn），是该领域的绝对权威。

在对深声科技声音定制产品的测评过程中，我们发现很多细节，比如还原nl、儿化音的口音习惯，比如还原对短句和长句的语调、语势处理，这些细节处理可能会使合成的声音普通话不够“标准”，但是高度还原了用户发音特征，富有表现力。“我们更加倾向于还原声音本身的特征，尊重每一个声音独一无二的特质，”深声科技CEO周俊明说道，“希望能够真实地还原声音在现实世界中给人的那种感觉，就像与朋友进行的一场对话，或聆听或思索，给人一种非常舒适的感受。”

如何选择方案

我们还了解到，为达到客户所需的最佳合成效果，深声科技在各个技术环节都做了大胆的创新和优化，并提供多档解决方案，以解决不同场景下的客户需求：

1.极速声音定制，仅需20句话录音（约90秒）、1天内即可上线使用，由于音色还原效果好、价格亲民，还可先体验后付费等特点，目前是最受B端客户欢迎的解决方案；

2.轻量声音定制，30分钟音频、3个工作日左右可完成定制，高度还原发音特点，可用于B端专业级商用；

3.精品声音定制，2小时音频，并提供录音棚、专业设备、录音文本等内容，主要是高端客户使用，适用于深度定制的企业、明星IP等场景。

目前，这些方案已经得到了市场的认可，从公开信息我们得知，有很多行业的头部企业选择使用深声科技的声音定制方案，如手机行业的小米、OPPO，音乐传媒的网易云音乐、酷我音乐，汽车行业的长城汽车、东风岚图等等。

声音是塑造一个有血有肉的形象的关键，在元宇宙、虚拟人的浪潮中，声音定制将会扮演越来越重要的角色。相信在未来，会有越来越多像深声科技这样的科技界黑马，突破国外老牌企业的重围，带来更多更具创造力、想象力的智能语音解决方案。