人類可以根據(jù)不同的環(huán)境和社會(huì)情況調(diào)整自己的聲音，這有助于鞏固對(duì)我們互動(dòng)的信任。關(guān)于賦予機(jī)器人這種能力的可能性已經(jīng)進(jìn)行了大量研究。然而，當(dāng)前的方法要么昂貴，要么平淡且缺乏表現(xiàn)力。

最近發(fā)表在 arXiv.org 上的一篇論文提出了一種數(shù)據(jù)驅(qū)動(dòng)的方法來生成機(jī)器人的聲音。

研究人員使用現(xiàn)成的視頻會(huì)議平臺(tái)來收集真實(shí)的上下文音頻語音數(shù)據(jù)。然后，確定可以在不同環(huán)境和社會(huì)環(huán)境中改善機(jī)器人聲音的相關(guān)特征。測試人類感知以更好地了解人類如何感知機(jī)器人聲音。

研究人員表明，人類更喜歡與社會(huì)和環(huán)境上下文相匹配的人聲，并且在這些上下文場景中，當(dāng)前的文本到語音和人聲之間仍然存在很大差距。