我們的在地化及音訊團隊除了提供遊戲在地化服務，同時也提供文字轉語音服務。絕大多數人或多或少都與文字轉語音（TTS）有所接觸。可能是語音朗讀網路上的文字，或者地圖應用程式念出導航的指示。不管文字轉語音的用途為何，這項自1970年代末期誕生的技術已經有了大幅度的躍進。詭異、機械式地模擬真實人聲的時代已經過去了。如今，從揚聲器發出的聲音更有人性溫度且易懂。不過，它是如何進步至此的？
這需要在地化團隊的語言計畫經理Micaela Bester為我們解答。她負責管理我們大客戶的所有語言TTS工作。Micaela在大學專攻語言學，當時並沒有類似的職缺。
「我只能從學術界或語言治療兩者中選擇。」她表示。「最後我在義大利教起了英文。」然後機會突然降臨，她轉而擔任Google的資料標註師。四年後她離職前往愛爾蘭都柏林，尋求一個改變的契機。「我很幸運地在2019年12月進入Side擔任計畫經理，與世界上數一數二的科技大企業來往。」
人才招募
一切始於客戶的一個請求。「客戶聯繫我們，提出希望能夠建立助理語音，比方說印地語。」Micaela解釋道。「我們從招募人才開始，請人資在各個管道上廣發徵才資訊。」大多數應徵者來自專門的職缺平台和資源，這些平台通常刊登語言學相關職位，且多偏向學術性質。「我們團隊通常會招聘翻譯人才，但這些專案不需要譯者，而是音韻學家，也就是研究特定語言及其語音的學者。這個領域非常小眾，要找到適合的人選並不容易。」
找到適任者的成功率很低，因此光是徵才就耗費許多時間。「我們收到眾多翻譯人員投遞的履歷，他們認為自己能夠勝任，但這其實需要非常專門的技能。」符合條件的人才通常已經有全職工作，不必找額外兼職。這職缺是配合專案時間的兼職，並非穩定的工作。「對學術界人士來說很適合，因為他們偶爾在研究之間會有額外的空檔。」
這點是否會影響專案進度？「會，我們已經完成了大部分主要語言的文字轉語音，現在正進一步拓展到開發中國家，讓招募音韻學家這件事變得更加困難。以往四個月內就能夠完成一個專案；到了現在，需要的時間只會更長，不會更短。」
在甄選過程中，過關的應徵者會被要求簡單介紹自己的語言，像是標準方言的特徵。「以雪梨的澳洲英語為例，需要注意『chance』等詞彙，這些詞彙會因為地區不同，而有不同的發音或口音。」
他們也會被詢問該語言有關的問題：哪些複輔音是「不合法」的？一個單字是否能夠以「str」三個字母起手？這個複輔音在英語中是合法的，但在其他語言中則不然。
撰寫錄音稿
雖然錄音稿一般都由客戶提供，但還是需要請語言學專家校訂過，不僅要確保文法正確，還要標註內容，比如地名或專有名詞的發音。
數字就是一個需要標註發音的典型案例，「1990」究竟該讀作「一九九零」還是「一千九百九十」？客戶的錄音稿經常是從網路擷取而來。語言學家需要梳理這些隨機又莫名其妙的句子，並將其重新撰寫成有意義的文字。
此外，他們也需要逐字逐句地標註詞句的音標。他們會收到一份符號與發音的對照表，按照這個表來標示音素。而Side使用的並非典型的國際音標（IPA），它是一種用來指引發音的音標系統。
「國際音標不太實用，用鍵盤也不好打，我們選擇使用SAMPA（音標字母評估法）。如果配音指導和專案經理熟悉SAMPA，對專案會非常有幫助。」Micaela解釋。SAMPA於1980年代末被發明，是一種電腦可讀的音標符號。
錄製工作
錄音稿在經過梳理與標註後，我們的配音製作專家就會接手下一階段的流程。選角階段先從尋找配音員開始，必須滿足客戶要求的角色風格。配音指導會針對配音員的一致性、耐力、發音清晰度、韻律，以及是否能夠成功複製方言的特徵等多個方面進行評估。
說話者必須是具備目標口音的母語人士。他們不一定要是經過專業訓練的配音員，但相較之下，專業人士更能夠展現出所需的品質和技巧。
「配音並不只是如大家以為的單純錄製幾個單字而已。」Micaela說明：「一般人朗讀單字時，往往會發音不自然。因此，大部分錄音稿都由句子級別的常用短語組成。」
早期的TTS系統之所以聽上去僵硬無比，就是因為系統將一個個單字從句子裡擷取出來後，再回頭把單字組成成一個句子，導致聲音效果變得相當詭異。配音員必須掌握快速視讀的技巧，他們經常需要在幾週內錄製完一萬句台詞。
配音指導則需要確保配音員的角色風格在錄製過程中保持一致，也需要確保配音員的聲音品質穩定。如果配音員不慎感冒或聲音稍有異常，錄音就必須延期。
平均一日的錄製時程會花費多少時間？「為了不過度消磨配音員的聲帶，一天只會錄製大約四個小時。」檔案會在每份錄音稿錄製後逐批送去後製，而非等到所有的錄製工作都結束後才一次送出。
「Side會把檔案上傳給語言學家分析。」Micaela繼續說道：「語音學家會核對錄音稿以及發音。跟其他同業相比，我們所使用的工具相當好用。」語言學家也會留意檔案本身有無問題，不過在此之前，音訊的問題通常已經先由後製團隊排除了。
資料處理
檔案經過檢查後就會交給客戶，由他們的專門演算法進行後續處理。「這個說起來有點黑箱作業，其實就是機器學習。在這階段我們就告別了所有資料。應用程式會經由訓練模型學習如何將合成文本的語音。語音合成會在內部反覆測試檢驗，直到滿意為止。如果發現有誤或是品質不如預期，就會需要重新錄製部分資料來修正問題。」
這個職位會面臨哪些重大的挑戰？「滿多的，其中包括帶領世界各地的自由接案者。」Micaela笑著說，「下一個重大挑戰則是往差異極大的語言邁進，畢竟不是所有的語言都和英語有相似之處。目前使用的系統無法處理音調，也沒有現成的詞彙庫，所以只能靠我們自己從頭建起了。」
文字轉語音在我們的日常生活中已經很普遍，將來可能會出現更多的應用方式。綜上所述，即使執行過程看上去並不繁複，但要涵蓋其他尚未觸及的語言，顯然必須另闢蹊徑才行。
而正是這些需要積極研究與構思的挑戰，讓Micaela一直對工作滿懷熱忱。她十分期待藉由Side的工作，繼續了解學習世界上的各種語言。