許多患有神經(jīng)疾病的患者因喪失語言能力，需要依賴特定的通訊設(shè)備進(jìn)行溝通，這類設(shè)備利用腦機(jī)接口或者頭部、眼睛的動作來控制光標(biāo)選擇字母，從而說出他們想說的話。但是，這個(gè)過程比人類的正常語速慢得多，往往是在蹦單詞。

4 月 25 日，Nature 雜志發(fā)表了加州大學(xué)舊金山分校（University of California San Francisco）的一項(xiàng)最新成果，該校神經(jīng)外科華裔教授 Edward Chang 及同事開發(fā)出一種可以將腦活動轉(zhuǎn)化為語音的解碼器。這套人類語音合成系統(tǒng)，通過解碼與人類下頜、喉頭、嘴唇和舌頭動作相關(guān)的腦信號，并合成出受試者想要表達(dá)的語音。

視頻 | 神經(jīng)解碼的語音合成演示

研究人員表示，腦機(jī)接口正迅速成為恢復(fù)功能喪失的臨床可行手段，這項(xiàng)最新的研究成果解決了癱瘓和失語患者所面臨的重大挑戰(zhàn)，并可能是讓他們恢復(fù)“說話”能力的重要一步。

在 Nature 雜志同時(shí)配發(fā)的評論文章中，埃默里大學(xué)和佐治亞理工學(xué)院的 Chethan Pandarinath 和 Yahia Ali 認(rèn)為，這種使用控制嘴唇、舌頭、喉部和下頜運(yùn)動的神經(jīng)信號合成語音的腦機(jī)接口設(shè)備，可以成為在失語者中恢復(fù)語音功能的奠基性工作。

解讀大腦的意圖

說話似乎是一件毫不費(fèi)力的事，但實(shí)際上說話卻是人類執(zhí)行的最復(fù)雜的活動之一。它需要精確、動態(tài)地協(xié)調(diào)聲道咬合結(jié)構(gòu)中的肌肉、嘴唇、舌頭、喉部和下頜。

當(dāng)一個(gè)人因中風(fēng)、肌萎縮側(cè)索硬化（霍金即患此?。┗蚱渌窠?jīng)系統(tǒng)疾病而喪失語言功能和溝通能力時(shí)，對他的影響和打擊可能是毀滅性的。

如果有一種技術(shù)，能將神經(jīng)活動轉(zhuǎn)化為言語，那對于因神經(jīng)損傷而無法溝通的人來說將具有變革性。理論上說，腦機(jī)接口技術(shù)可以通過直接從大腦“讀取”人的意圖，并使用該信息來控制外部設(shè)備或移動癱瘓的肢體，來幫助癱瘓的人完成說話或運(yùn)動。

在科幻世界里，意念控制的實(shí)現(xiàn)可以順手拈來、輕而易舉。而在現(xiàn)實(shí)世界中，其背后的腦機(jī)接口技術(shù)已有近百年的歷史?？茖W(xué)家們也一直希望在該領(lǐng)域?qū)崿F(xiàn)科學(xué)研究與應(yīng)用技術(shù)的突破，為許多當(dāng)前仍無法解答的難題提供更好的探索工具，幫助人類進(jìn)一步了解自己的大腦，進(jìn)而預(yù)防、診斷、治療腦部疾病及其他重大疾病，并將這一技術(shù)廣泛應(yīng)用于睡眠管理、智能生活和殘疾人康復(fù)等領(lǐng)域。

圖 | 使用特制語音合成器的史蒂芬·霍金

目前一些用于大腦控制打字的腦機(jī)接口技術(shù)，依賴于測量頭部或眼睛的殘余非語言運(yùn)動，或者依賴于控制光標(biāo)以逐個(gè)選擇字母并拼出單詞，已經(jīng)可以幫助癱瘓的人通過設(shè)備每分鐘輸出多達(dá) 8 個(gè)單詞。

這些技術(shù)已經(jīng)給有嚴(yán)重溝通障礙的患者帶來了巨大的生活改善，但與自然語音每分鐘 150 個(gè)單詞的平均速度比起來，現(xiàn)有技術(shù)的輸出速度還是太慢了，距離通過腦機(jī)接口實(shí)現(xiàn)自然語音的流暢交流還有很大差距。

直接通過大腦活動信號來合成語音，是一種頗有前景的替代方案。拼寫只是離散字母的連續(xù)串聯(lián)，而語音則是一種高效的通信形式。與基于拼寫的方法相比，直接語音合成具有幾個(gè)主要優(yōu)點(diǎn)。除了以自然語速傳遞無約束詞匯的能力之外，直接語音合成還能捕獲語音的韻律元素，例如音調(diào)、語調(diào)，這些是文本輸出所不具備的。

此外，當(dāng)前替代通信設(shè)備的實(shí)際限制是學(xué)習(xí)和使用它們所需的認(rèn)知努力。因此，對于由肌萎縮性側(cè)索硬化或腦干中風(fēng)引起的癱瘓患者，通過直接記錄來自大腦皮層的神經(jīng)控制信號來合成語音，是實(shí)現(xiàn)自然語言高通信速率的唯一手段，也是最直觀的方法。

2017 年, 本文作者 Edward Chang 以及他的研究生 Claire Tang 就曾在 Science雜志發(fā)表論文，闡述大腦皮層顳上回神經(jīng)元在語言中的重要性。研究發(fā)現(xiàn)了人類大腦中用于辨別相對聲調(diào)變化的神經(jīng)元，這種神經(jīng)元可以幫助人類在語言中明確表達(dá)感情、交流思想。

圖 | Edward Chang 教授

但揭示大腦信號如何控制聲道發(fā)音部位的運(yùn)動仍具有挑戰(zhàn)性。因?yàn)檎f話這一過程需要對聲道咬合部位進(jìn)行非常精確和快速的多維控制。而且，語音合成還存在一個(gè)與以往完全不同的挑戰(zhàn)，就是解碼聲道運(yùn)動和聲音之間復(fù)雜的對應(yīng)關(guān)系。自然語音產(chǎn)生涉及 100 多塊小肌肉，從肌肉運(yùn)動到聲音的映射也不是一對一的。

合成能聽懂的語音

在 Nature 的這項(xiàng)最新研究中，為了實(shí)現(xiàn)將腦信號轉(zhuǎn)換為可理解的合成語音，并且是以流利說話者的速度輸出，研究人員設(shè)計(jì)了一種神經(jīng)解碼器，明確地利用人類皮層活動中編碼的運(yùn)動學(xué)和聲音表征來合成可聽語音。

研究人員招募 5 名正在接受癲癇治療的參與者，作為癲癇治療的一部分，他們會通過電極監(jiān)測大腦活動。研究人員在 5 名受試者大聲說出幾百個(gè)句子時(shí)，記錄下他們的高密度腦電圖（ECoG）信號，并跟蹤控制語音和發(fā)生部位運(yùn)動的大腦區(qū)域活動。

為了重建語音，研究人員設(shè)計(jì)了一種循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），首先將記錄的皮質(zhì)神經(jīng)信號轉(zhuǎn)化為聲道咬合關(guān)節(jié)運(yùn)動，然后將這些解碼的運(yùn)動轉(zhuǎn)化為口語句子。

圖 | 用于語音合成的腦機(jī)接口

以前的語音合成研究采用了上圖 a 的方法，即使用腦電圖設(shè)備監(jiān)測大腦語音相關(guān)區(qū)域的神經(jīng)信號，并嘗試使用循環(huán)神經(jīng)網(wǎng)絡(luò)將這些信號直接解碼為合成語音。

而 Edward Chang 以及同事開發(fā)了一種不同的方法（上圖 b），將解碼分為兩個(gè)步驟。

第一步，將神經(jīng)信號轉(zhuǎn)換成聲道咬合部位的運(yùn)動（紅色），這其中涉及語音產(chǎn)生的解剖結(jié)構(gòu)（嘴唇、舌頭、喉和下頜）。而為了實(shí)現(xiàn)神經(jīng)信號到聲道咬合部位運(yùn)動的轉(zhuǎn)化，就需要大量聲道運(yùn)動與其神經(jīng)活動相關(guān)聯(lián)的數(shù)據(jù)。但研究人員又難以直接測量每個(gè)人的聲道運(yùn)動，因此他們建立了一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)，根據(jù)以前收集的大量聲道運(yùn)動和語音記錄數(shù)據(jù)庫來建立關(guān)聯(lián)。

第二步，將聲道咬合部位的運(yùn)動轉(zhuǎn)換成合成語音

圖 | 神經(jīng)解碼語音合成過程

研究人員的這種兩步解碼方法，產(chǎn)生的語音失真率明顯小于使用直接解碼方法所獲得的語音。在包含 101 個(gè)句子的試驗(yàn)中，聽者可以輕松地識別并記錄下合成的語音。

在另外的測試中，一名受試者首先按要求說出句子，然后再不出聲地做出相同的發(fā)音動作。結(jié)果表明，無聲言語的合成效果不如有聲言語，但是研究人員認(rèn)為仍有可能解碼無聲言語的特征。

所有當(dāng)前用于語音解碼的方法都需要使用發(fā)聲語音訓(xùn)練解碼器，基于這些方法的腦機(jī)接口技術(shù)也就不能讓不會說話的人上手就用。對于已經(jīng)喪失說話能力的患者來說，無法發(fā)聲訓(xùn)練解碼器是一個(gè)大問題。

但 Edward Chang 表示，雖然語音解碼的準(zhǔn)確性大大降低，但受試者在沒有聲音的情況下模仿發(fā)音仍然可以進(jìn)行語音合成。至于那些不再產(chǎn)生語音相關(guān)運(yùn)動的個(gè)體是否適用這套最新的語音合成腦機(jī)接口系統(tǒng)，還需要未來的進(jìn)一步研究。

Chethan Pandarinath 和 Yahia Ali 認(rèn)為，無論是在語音重建的準(zhǔn)確性方面，還是在聽眾對所產(chǎn)生語句的辨識力方面，Edward Chang 及其同事的研究結(jié)果都為語音合成腦機(jī)接口的概念驗(yàn)證提供了令人信服的證據(jù)。

不過，要使該系統(tǒng)真正成為一個(gè)臨床可行的語音合成腦機(jī)接口，還存在許多挑戰(zhàn)，畢竟重構(gòu)語音的可懂度（intelligibility）仍遠(yuǎn)低于自然語音。好在，通過收集更大的數(shù)據(jù)集并繼續(xù)開發(fā)基礎(chǔ)計(jì)算方法，或許可以進(jìn)一步改善語音合成腦機(jī)接口技術(shù)。

由于不能直接在動物身上進(jìn)行相關(guān)研究，這在一定程度上限制了人類語言產(chǎn)生的研究進(jìn)展，但近十年來，隨著深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，以及多學(xué)科協(xié)作的能力，從探索語言相關(guān)大腦區(qū)域的開創(chuàng)性臨床研究，到語音合成腦機(jī)接口的概念證明，都取得了引人注目的快速發(fā)展。

隨著語音合成腦機(jī)接口的概念證明，我們期待有關(guān)臨床試驗(yàn)的早日開展，也期待那些語言障礙患者能夠早日重獲自由說話并與世界重新聯(lián)系的能力。