昨天写了人机对话的第一步，“听”。今天就说一下机器的“说”，说就是“说人话”让机器有人性、人情味。
与文字转化语音的生硬不同，要让机器“说人话”可是一件很难的事情，要运用声学模型和专门的语言模型。声学模型决定了语言的发音，是东北腔还是福建腔或者湖南腔、陕北音全靠这个声学模型了。打出一个字，系统就在原始音库中找到合适的发音对应上去。要让电子发音没有机器味而有“人味”，就要为语音资料建库。例如让机器学习时间从20小时升到100小时，此后机器模仿出来的声音听起来就舒服多了。
为了保持语音的连贯性，不至于让合成语音听起来像“断气”了一样，语言模型还会持续提升文本库的学习连接概率。比如说出“中华”，系统还能在后续词组中选择“人民共和国”“民族”“儿女”等进行匹配。
长语音是让机器语音更有气场的技术。情感合成、远场方案、长语音方案等为合成语音加入情感，让其更接近真人发声效果。语音识别的场景应用极为广泛。
比如我们可以借此创造出一个“最强销售员”：销售员新手给客户打电话时，机器实时记录客户的回复，并显示在电脑屏幕上，系统可以瞬时搜索并调取优秀销售员以往对这些问题给出的回复。这样，每个“菜鸟”只要“照本宣科”，就能在上岗第一天掌握过去最优秀的销售员所具备的交流能力。
