傳遞屬於台灣的聲音：專訪《VoAI 絕好聲創》團隊

面對網路上、特別是短影音界盛行的中國口音 AI 配音，很多台灣人可能認為當務之急是趕緊在市場上補充一兩個「台灣口音」的選項。但是，晁旭光所領導的團隊有更遠大的企圖心。

「台灣口音這件事情，其他廠商也許都覺得做兩個聲音就好；但是，我覺得我們如果要做，目標好歹就是一次一百個聲音以上。」提及自家 AI 文字轉語音產品的背後構想，網際智慧公司的執行長晁旭光這樣回顧。

網際智慧公司在 2024 年公開最新品牌「台灣絕好聲創」，開發超擬真的台灣口音 AI 語音。產品才剛上線一年，「一百個聲音」的目標便達成過半，上架的聲優總數已經來到五十餘位。點開「絕好聲創」的產品官網即可發現，網頁上列出了一位又一位虛擬聲優的角色設定，比如 48 歲的男性政治評論員豪哥，或者 30 歲的女性心理師渝函，乃至 6 歲的小女孩品妍，各自都有範例音檔，清楚展示各自不同的語調、咬字以及聲線。

「兩個聲音」和「一百個聲音」的差異已經不單只是數量多寡而已，而是在產品構思上的根本差異：只有一兩種台灣口音是不夠的，打從一開始，團隊就希望能夠打造出多樣的 AI 聲優，以切合台灣創作者各種不同的使用情境與需求。

對此，晁旭光將聲音類比為字體，設計的目標讓使用者可以針對不同需求選擇適當的表現方式。「我會認為聲音就會像字體一樣，慢慢隨著時間的發展，就要有各種不同類型的字體，配合各種不同的情境需求」，他解釋，「而聲音更是這樣，不應該只是一個這個正正經經、如同念新聞這樣子的讀稿方式。理論上應該是我們正常人在做情感表達，會有很多、很多種不同的聲音。」如此一來，屬於台灣人的聲音表達就可以應用在不同的情境，各種不同屬性的 podcast、影片、課程、有聲書之上。

一同受訪的產品經理林幼婕進一步舉例，聲優甚至還可以區分為兩類。在網頁上，「如果顯示『演繹聲線』，那個就是配音員演的聲音。也有『真實聲線』，那是真的小朋友的。那真實聲線的小朋友聲音，你聽了就會很有感覺，可以出現這個五歲小朋友的聲音，那講話還那個口齒不清的。」

「這個也算是我們一個很大的特色，因為現在市場上絕對找不到。」

「台北 101」怎麼念？用台灣需求做出「差異化」

市場上之所以很難找到類似的產品，一大主因在於這個計畫所需投入的資源。晁旭光解釋，從語料的蒐集和標註，再到演算法的設計，乃至模型的訓練和測試、驗證，團隊都必須自己下苦功處理。

被問及產品開發過程中遇到的困難時，晁旭光立即舉出的案例是數字的念法。「今天我在講講股票代號，跟我在講公車，或者是我是在玩遊戲，這些數字可能分別代表不同的概念，念法可能也會不一樣。像這種，我們就會花很多力氣，針對模型搭配的演算法去做很多的處理。」林幼婕也接著補充另一個具體案例：「台北 101，為什麼不念台北一百零一？」，這樣一個又一個林林總總的個案，台灣的團隊都必須投入時間、人力予以修正。

有些時候，讀音甚至沒有標準答案，而是必須依照情境做出不同的判斷與選擇。

比如，「寶寶」的第二個字是否要按照字典的標註方式念輕聲？還是要依照台灣人一般習慣的讀音，念作類似「寶包」？林幼婕解釋，這就要依客戶的需求決定。「輕聲的部分，比如說他是教科書的產業，他可能會是會依照教育部的方式去讀。所以我們也遇到有一些客戶可能會，希望說我們是這樣子讀。但是我們主要的目標，是希望是可以比較貼近一般人的發音的方式，所以我們大部分的 AI 聲優還是會念『寶包』，我們會想辦法讓他變成『寶包』。」 

光是修正與處理的功夫就必須如此細膩，這些在在都是成本。但在晁旭光看來，投入這些成本是有意義的：正是因為資源有限，所以更必須用於發展出自己的特色、自己的優勢。

畢竟，團隊所面臨的是來自中國、乃至來自其他國家的競爭。「中國大陸有幾個優勢，而首先就是資料的優勢。因為這個市場中，能具有最多優勢、能夠做好的不外乎幾個『獨角獸』」，晁旭光分析，「比如說字節跳動，就能用抖音這種大量的數據，之後的訓練也有足夠可參考的 data，這些『獨角獸』，或者比如 Google，他們其實都相對有這樣的優勢」。

在這樣的前提下，台灣本土的小型團隊，要能夠在競爭當中存活下來，就必須另尋出路。畢竟，「我們如果說是去跟其他的競爭對手競爭的話，我們可能在比較廣泛的市場領域、比較大的市場是沒有優勢的。」

「我們勢必就是要做差異化」，晁旭光總結。在此，重點又再度回到找出自己獨特的地方，回應台灣不同消費族群的需求──所以，團隊才更投入於貼近台灣人自然的說話方式，並且，還要做出如同不同字體般適合各種情境的「一百個聲音」。

資源有限、國際競爭，關鍵仍在於思考台灣應用情境

而當被問到台灣 AI 整體的發展、特別是針對大型語言模型（LLM）的開發時，晁旭光的建議也呼應了相同的原則：在資源有限之下，尤其面對中國競爭對手挾著豐沛的資源來襲，政府和企業都必須更聚焦於台灣自己的需求是什麼，做出符合本土需求的差異化。

事實上，依據晁旭光分析，台灣過去幾次大型語言模型的開發計劃經常「不了了之」，一大主因也在於每次的建立與更新都得耗費太多資源。「因為它是大模型，所以它的那種模型是更大的 size，它要耗的 GPU 其實也是高的。」但投入這些資源，卻未必能夠獲得更適合且更有競爭力的結果。

當然，資源有限的問題並不只困擾台灣的團隊。也因此，整個 AI 業界的趨勢也都已經往不同方向前進，縮小專攻的範圍。「隨著時間發展，現在慢慢在訓練的模型，開始都走向『蒸餾』，像是 deepseek 的概念在做，」晁旭光解釋，「蒸餾會讓模型變小、速度變快，它只要能搭配比較精緻的訓練語料，就可以做到相當的程度」。

而這種「精緻的訓練語料」，又必須由台灣的團隊自己投資。「我覺得到最後，問題核心有很多都是在資料上面。那只是說，現在有很多 AI，它資料是網路上爬。而像全球中文資料大部分都來自中國大陸，便利性太高」，晁旭光分析。因此，面對海量的中國資料，建立起符合台灣使用情境的資料集就成為關鍵。

「在談主權 AI 的時候，其實很可能很重要的，是建立台灣經過 verify（按：驗證）的資料集。那些資料集反而就可以應用在 OpenAI 或者是其他的開源模型，以各種不同的開源模型為基礎，再上去做 fine tune（按：精修），這搞不好也是另外一個思路。」

而要建立這些資料集時，不同團隊更是可以分工合作。誠然，「要一個台灣大模型去 cover 比如說法律、醫療加上各行各業什麼都有，我覺得那個難度就會比較高」，晁旭光提醒。但是，這樣包山包海的模型，或許也不是台灣社會最需要達成的。

相反地，晁旭光更期待的是分開處理不同需求：「假設現在台灣已經有的訓練資料集都持續保留，而且甚至把它調整得更好，未來做臺灣的主權 AI 模型的難度，應該就會慢慢降低。」延續台灣絕好聲創的開發經驗，晁旭光最終依然將重點放在思考屬於台灣的應用情境，在有限的資源之下，發展出更為細緻、更具差異性的產品，以更切合台灣社會內部多樣的使用需求。

文字／謝達文
編輯／鄭伃倢