細閱只需 14 分鐘
「有些人只顧自說自話，根本不管人家到底聽不聽得懂。」李丹是香港中文大學電子工程學系教授，過去30多年專攻語音技術研究，包括現在幾乎你我都會用到的 “Speech-to-Text” （語音轉文字 ）或 “ Text-to-Speech” （文字轉語音）技術。以為他作為資深工程人，難免滿口艱澀術語，但可能是研究多了人家說話，他特別在乎溝通這回事。
中大「好聲音」
「大學裏面的教書佬有個好大的缺點，就是以為人家好喜歡聽他說話，於是講到不識停。我經常警惕自己，雖然不是好有效。」訪問前他在電話傳來這段文字，似是事先聲明不好介意他「長氣」。但事實上，求學時期曾為中大合唱團副團長的他，在兩小時內，分享了許多其研究、跨界合作和知識轉移的項目，包括近期為一名喉癌病人設計個人「留聲機」的事，深入淺出，毫無悶場。
「過去十幾年教書，我都會好留心自己上堂的說話。」這份自覺，並不是擔心講錯話，而是學生明白與否，理不理解。難怪，步入會議室，見到其學系過去廿年模範教學獎的得獎名錄，李丹個人上榜12次，其中九年更是年年都榜上有名，可見其教學「口碑」。
雖然提起廣東話拼音、國際音標（IPA）等語言學概念琅琅上口，但電子工程學出身的李丹強調自己在這方面學藝不精，興趣是始於30年前在中大攻讀博士時養成的，「我（讀博）第一個項目就是做廣東話的語音識別。」
由數學到廣東話語言學
笑言自己大半生走不出馬料水（中大）的李丹1984年經一年制預科高等程度會考 （High Level ）入讀中大，一年後由數學系轉修電子工程，「我一路相信數學好，甚麼都會好。我好欣賞讀數學的人，譬如梁迺聰，好聰明，他當年大學都未畢業，已經跟丘成桐 （知名數學家）讀數。」儘管心愛數學，惟始終比同屆同學少一年讀書經驗，他形容自己大一成績「慘敗」，促使他後來說服系主任讓他轉讀較為「實在」的電子。
「大學畢業之後讀碩士研究生，之後去城大，當時叫城市理工做教學助理。」在即將完約之際，他萌生繼續讀博的念頭。巧合在火車站遇見程伯中和陳麗雲兩位中大教授，得知對方正開展廣東話的語音識別項目，於是自動請纓加入其團隊，「1992年開始在中大讀博士。」對於人名、年份，他一下子就準確說出，記憶力過人。
雖然語音識別是由電腦處理，然而作為研究員，亦不可以沒有語言學根底，「當時對於廣東話語言學，我一竅不通，於是去找徐雲揚教授學，他是人類學出身，但教phonetics （語音學）。我跑去城大跟他學， 聽他的seminar，但是很沒有系統地學。」
「初時學廣東話拼音，但廣東話拼音並沒標準寫法。雖然學術界用粵拼，但民間又不跟隨。」他舉例指，香港人的中文姓氏即使相同，但英文拼寫花款各出。「例如徐雲揚教授，他英文名是Eric Zee，不是現在常見的Tsui。姓蔡的可以有Choi、Tsoi, Choy…『張』可以是Cheung或 Chiang。」這種現象是殖民地時期遺留下來的。
「以前香港人去到出生登記處，用他最可能最準確的發音講出名字，職員經過受訓有一套系統去拼寫，但系統並不一致，於是出現不同寫法。」他後來又學習國際音標，「所有語言通用的，我要識囉。」
學好音標，再學廣東話，或者可以減少鬧出笑話。
「長aa定短a，可以有好大分別，例如「劉」同「撈」、「快」同「廢」。你有沒有聽過一個洗衣機的笑話？有個客人到洗衣店，跟店員講，這件衫咁樣「死」得，掉返轉「死」又得，咁樣「死」都得。這個就係ei （死）同 ai （洗）的分別。」
Speech是如何構成的？
過去三十多年，他的研究始終離不開語音。「主要是 “Speech-to-Text” 同 “Text-to- Speech”」，他指出，前者難度較大，口音是其中一個影響Speech-to-text 技術的因素，「決定speech 的影響因素有太多，環境、口音、語言、錄音設備等等。一個媽咪對小朋友說話，為何要慢慢說？為何要重複？所以沒有單一語音技術，可以解決所有這些情景問題。」
他強調人腦的精妙之處，「人聽得明白，好似好簡單，但其實人在聆聽的時候，腦袋已經預先有好多假設同設定，譬如今次訪問我知道你們會問甚麼，所以就算你們咬字不清楚，我都明。」
「但你們聽我講就沒有這個預設，那我就要每個字都要好清楚，這就是我們腦海預設的知識，如何去引導這個識別 。技術上有難度，電腦認不認到？這次識別到，下次又可不可以？因此需要大量的數據 （Training Data）。」三言兩語，他將複雜的原理簡潔道出。
最強踩過界
不能發明單一技術解決所有溝通問題，他卻擅於遊走各學系，跟不同學者合作，利用自己的工程專長，解決各種各樣的難題，包括跟聽力學家合作改善人工耳蝸語音處理的質素；跟言語治療師合作，利用語音處理檢測兒童言語障礙；跟教育心理學家合作，分析優秀輔導員的語言表達特徵等等。
「我相信我是中大跨學科 （研究）最誇張的人，除了BA （工商管理）同LAW（法律）之外，其他（學科）都合作過。」他笑言。
近期為人熟悉的，是他的團隊為一喉癌病人Jody「留住把聲」一事。事緣Jody去年要做手術切除喉部，意味日後會失聲。其兒子女朋友在網上求助，李丹的學生Matthew獲悉後，促成李丹團隊出手，利用人工智能語音合成技術，趕及在手術前請Jody錄製十多小時的錄音，成功為其保留聲線，日後可透過Text-to-Speech 應用程式「親聲」跟外人溝通（參閱有線新聞的報道）。
曾擁全球最大廣東話語音數據庫
要在24小時之內準備好所有講稿給Jody，如何張羅？「我們一向有這些廣東話材料，包括書面語、對話式、講故事的語言，我們儲有1999年至2000年的所有報紙。」他指出，中大是早批獲批創新及科技基金（ITF）資助的大學，用於建立一個當時全球最大的廣東話語音數據庫，曾經動用逾千人、錄得400多個小時錄音，「蘋果第一代的廣東話語音識別，就是買了我們數據，雖然最後不知用了幾多。」
語音配合深度學習技術，應用潛力深廣，不懷好意的會用於DeepFake，例如模仿銀行老闆聲線以作詐騙，但亦可以幫助Jody等個別病人及家人，受惠對象還可能包括柏金遜症、小腦萎縮症這類慢慢會影響說話能力的患者，「甚至老人家如果想聽到遠在海外的孫仔聲音，或聽孫仔讀報紙，都可以利用此技術，不過這可能涉及道德問題。」
他相信，技術應該去幫那些有需要的人，「不是幫那些一有空閒就找Siri (蘋果語音助手）來聊天的人。」他表示不喜歡用Siri，但喜歡用手機的Speech-to-Text 功能，「好地道的廣東話都打得出來。」
近年不少學者「研而優則商」，興趣多多、喜歡唱歌、打籃球的李丹卻始終熱衷大學的環境，「大學可以學嘢。」他分享最近跟教育心理學系崔子揚教授一次「好玩又新奇」的合作經驗。
「他們有許多時數的輔導員進行輔導的錄音，我們負責分析語音、語調表現特質。原來輔導成效的重點，不是輔導員說了些甚麼，而是如何引導事主表達自己。輔導員等多久才回應、有沒有重複對方的字眼、重複多少、甚至虛詞（嘅、噃）的運用都有關係，我們還開了個會議討論虛詞，對我來講又是新奇事。我回去跟仔女聊天都會注意自己說話。」他笑道。
除了校內跨學系合作，他前年亦透過中大知識轉移項目基金（KPF）走入社區，他跟團隊運用語音技術，創建一個「故事點播機」的應用程式，孩子和父母不但可以收聽100個兒童故事，小朋友還可以改動故事的內容，顏色、地點等，「例如將大灰狼改為爸爸。」促進親子互動。
能否合成父母的聲線，讓不在身邊或忙碌的父母為孩子說故事？育有兩名子女的李丹斷然反對，「始終小朋友年紀小，盡可能由（父母）真人講啦。我不想我的技術用在一個偏離的方向，這方面我會好警覺。」技術雖好，但李丹所關注的，還有背後的倫理問題，相信會在他教授的通識科「人工智能揭秘」有更多涉獵。
學人關鍵字｜「做Speech」
「做Speech 在工程界比較難刊文 、難評核，因為圈子好細，每間大學做電腦影像、視像的人有許多，但做speech 的好少， 全世界做speech 同image ，是1同10倍的分別，在香港（學界）一隻手數得晒（人數）。」為何？他觀察估計， 因為語音技術好難見到分別。
他直言，90年代幾個出色的學者都未能拿到終身教職，「但沒所謂，他們後來都到了微軟、蘋果做了高層。」雖然在大學「難撈」，但語音工程師在科企就十分搶手，「阿里巴巴閒閒地請一百個。」
文：Kary Wong@ORKTS
***
每月一封電郵，助你掌握由中大至全球，最新「有營」社創故事與資訊！按此免費訂閱Cubic Zine。
***
#山城社創 #落地生花