語(yǔ)音AI的核心是讓機器聽(tīng)懂人話(huà)、并能開(kāi)口說(shuō)話(huà)，語(yǔ)音合成和語(yǔ)音識別技術(shù)是實(shí)現這些目標的基礎。但由于過(guò)去幾年業(yè)界在語(yǔ)音模型上未能有突破性創(chuàng )新，高精度的語(yǔ)音交互任務(wù)長(cháng)期依賴(lài)云端算力，造成了語(yǔ)音指令處理不可避免的延時(shí)等問(wèn)題。
此次達摩院率先在算法模型上實(shí)現創(chuàng )新，推出E2E-ASR端到端語(yǔ)音識別技術(shù)及全新的端上KAN-TTS語(yǔ)音合成技術(shù)，首次在移動(dòng)終端上實(shí)現接近云端的語(yǔ)音識別與合成效果。
據介紹，在語(yǔ)音識別方面，達摩院提出SAN-M網(wǎng)絡(luò )結構及基于SCAMA的流式端到端語(yǔ)音識別框架，提升計算效率的同時(shí)，還將高難度場(chǎng)景中的語(yǔ)音識別錯誤率降低近三成。達摩院研發(fā)的語(yǔ)音識別系統，可純離線(xiàn)、低成本部署在手機端，原型系統不到40MB，識別效果媲美超過(guò)100GB的達摩院上一代DFSMN-CTC云端系統。
繼去年發(fā)布仿真率可達97%的自研KAN-TTS語(yǔ)音合成模型后，達摩院此次在移動(dòng)端實(shí)現了對語(yǔ)音模型的“大瘦身”，相比云端，端上模型大小壓縮了101倍，計算量壓縮35倍，通過(guò)終端算力即可快速復現逼近真人的語(yǔ)音。例如，高德地圖近期發(fā)布了利用達摩院全新語(yǔ)音技術(shù)合成的李佳琦、林志玲、小團團等明星導航語(yǔ)音包，語(yǔ)音效果較之前更自然，斷網(wǎng)狀態(tài)下語(yǔ)音導航也不會(huì )中斷。
(來(lái)源：信網(wǎng))
達摩院語(yǔ)音實(shí)驗室負責人鄢志杰表示，“在終端處理語(yǔ)音任務(wù)一直是學(xué)術(shù)界和工業(yè)界的難題，達摩院最新的語(yǔ)音技術(shù)有效釋放了終端設備的能力，讓終端也能輕松處理語(yǔ)音任務(wù)，我們相信，在終端算力和云端算力的協(xié)同支撐下，未來(lái)語(yǔ)音交互將無(wú)處不在。”
過(guò)去幾年，阿里語(yǔ)音AI取得了一系列突破。2019年，阿里語(yǔ)音AI入選《麻省理工評論》“全球十大突破性技術(shù)”，是唯一上榜的中國科技公司；今年7月IDC發(fā)布的《中國AI云服務(wù)市場(chǎng)半年度研究報告》顯示，阿里語(yǔ)音AI以44%的市場(chǎng)份額，在云上語(yǔ)音AI市場(chǎng)中位居第一。
