加州大學舊金山分校的科學家利用深度學習算法開發出了一套高效的語音合成器，有望讓因為患病而失聲的人群以正常的語速“說話”。

中風、腦癱、肌萎縮性脊髓側索硬化癥（漸凍癥）等疾病都有可能會讓患者失去說話的能力。目前市面上已有一些設備能夠通過追蹤患者眼球或者面部肌肉運動的方式，逐字拼出患者想要說的話，再利用語音合成器將這些話“說”出來。最為著名的例子就是身患漸凍癥的已故英國物理學家斯蒂芬·霍金在晚年的時候需要利用單邊臉頰肌肉控制語音合成器發聲。

但是這樣的方式溝通效率極其低下，一般每分鐘不會超過 10 個單詞，而正常人說話的語速大約是每分鐘 150 個單詞。

不同于先打字再朗讀的方式，加州大學舊金山分校的科學家試圖利用算法，建立起大腦信號和聲道（vocal tract）活動間的關系——找出這樣的關系之后，便能夠將大腦中的信號轉變為相應的聲道運動，進而發出聲音。

為了實現這一點，研究人員招募了 5 名患有癲癇的志愿者。志愿者均能正常說話，而且他們的大腦中被臨時植入了用于術前確定病灶的電極。這就讓研究人員能夠在志愿者說話的同時，監測大腦語言中樞的活動情況。

研究人員要求志愿者大聲朗讀一些給定的句子，在志愿者朗讀的同時，大腦中語言中樞的活動便被記錄了下來。之后，研究人員將這些大腦活動記錄與之前已經確定了的聲道運動數據進行了結合。

研究人員利用這些數據對一套深度學習算法進行了訓練，然后將算法整合進了解碼器中。這一裝置先將大腦信號轉變為聲道運動，再將聲道運動轉變為合成語音。

未參與這項研究的圣地亞哥州立大學的神經學家 Stephanie Riès 表示通過將大腦活動與聲道運動進行聯系、再將聲道運動轉換成聲音的方式所生成的語音，要比直接將大腦活動與聲音進行聯系所生成的語音更加容易讓人理解。

“實際上，我們中很少有人真正知道當我們說話的時候，我們的嘴巴發生了什么，”論文的通訊作者、神經外科醫生 Edward Chang 說，“大腦把你想說的話轉化成聲道運動，而這就是我們試圖解碼的東西。” Chang 表示，聽過合成句子的人平均能夠理解其中 70% 的單詞。

科學家們此前已經利用人工智能技術將大腦活動解譯為單個單詞，不過大部分都是簡單的單音節單詞。“從單音節跳躍到句子在技術上非常具有挑戰性，這也是這項研究令人如此印象深刻的地方之一，”未參與這項研究的埃默里大學（Emory University）的神經工程師 Chethan Pandarinath 評論說。

“當我們第一次聽到結果的時候，其實挺震驚的——我們簡直不敢相信自己的耳朵。令人難以置信的是，真實語音里的許多方面在合成器輸出的語音里都得到了呈現。”論文的共同作者、加州大學舊金山分校的博士生 Josh Chartier 說，“當然，讓語音變得更加自然和清楚還有許多工作要做，不過我們對于能夠解碼多少大腦活動印象深刻。”

“我們希望這些發現為那些表達受阻的人們帶來希望，有一天我們將能夠恢復交流的能力，這是我們作為人類的基礎之一”，他補充說。