語(yǔ)音合成(Text to Speech，TTS)又稱(chēng)文本語(yǔ)音轉換技術(shù)，顧名思義，是把文本信息轉化成語(yǔ)音信息。它是對話(huà)式人工智能的最后一環(huán)，也是關(guān)鍵一環(huán)，它的效果直接影響著(zhù)人機語(yǔ)音交互的體驗。
思必馳作為國內領(lǐng)先的對話(huà)式人工智能平臺公司，它的語(yǔ)音合成技術(shù)表現究竟如何？
語(yǔ)音合成的“前世今生”
人的語(yǔ)音，本質(zhì)上是發(fā)音器官震動(dòng)，產(chǎn)生聲波傳出。模仿人聲，最古老的方法是使用樂(lè )器。到19世紀，就可以用機械方法產(chǎn)生語(yǔ)音了。那時(shí)，科學(xué)家們會(huì )制作出一些精巧的氣囊和風(fēng)箱去搭建發(fā)聲系統，合成出一些元音和單音。
人類(lèi)發(fā)音示意圖
進(jìn)入電子時(shí)代的1939年，貝爾實(shí)驗室H·杜德利制作出第一臺電子合成器，這是用共振峰原理制作的語(yǔ)音合成器，該技術(shù)使用固定頻率，以電子復制我們改變口型時(shí)所發(fā)出的元音聲，也這正是英國劍橋大學(xué)著(zhù)名物理學(xué)家斯蒂芬·霍金教授所使用的聲音合成器。
上世紀90年代，隨著(zhù)計算和存儲能力大幅度提升，基于大語(yǔ)料庫的單元挑選與波形拼接合成方法出現，可以合成出高質(zhì)量的自然人語(yǔ)音。
語(yǔ)音合成技術(shù)演變
進(jìn)入21世紀，隨著(zhù)深度學(xué)習技術(shù)的興起和快速發(fā)展，以語(yǔ)音合成為代表的語(yǔ)音處理技術(shù)得到了極大的飛躍。神經(jīng)網(wǎng)絡(luò )語(yǔ)音合成在近幾年來(lái)取得了顯著(zhù)突破，合成？的？質(zhì)和？然度越來(lái)越？，運？速度也越來(lái)越快。思必馳目前所使用的，也正是這種方法。
思必馳TTS，魅力何在？
早在2007年于英國劍橋大學(xué)創(chuàng )立時(shí)，思必馳關(guān)于語(yǔ)音合成技術(shù)研究就已開(kāi)啟，該項工作由思必馳聯(lián)合創(chuàng )始人兼首席科學(xué)家、上海交通大學(xué)教授俞凱領(lǐng)頭。
語(yǔ)音合成系統主要分為文本處理、聲學(xué)模型、聲碼器三個(gè)部分。文本處理負責對文本進(jìn)行轉寫(xiě)和phoneme序列轉換；聲學(xué)模型使用深度神經(jīng)網(wǎng)絡(luò )，可以在文本特征與聲學(xué)特征之間學(xué)習到更復雜的非線(xiàn)性關(guān)系；聲碼器負責將聲學(xué)模型輸出的聲學(xué)特征，通過(guò)卷積運算，轉換成音頻。
經(jīng)過(guò)10多年的研究積累，思必馳在建模方法上，涵蓋了從傳統的統計參數模型到最新的基于神經(jīng)網(wǎng)絡(luò )的方法；對聲碼器的研究，涵蓋了從傳統的基于信號處理的方法到最新的基于神經(jīng)網(wǎng)絡(luò )的方法。
語(yǔ)音合成的質(zhì)量與效果，既有賴(lài)于語(yǔ)音廠(chǎng)商的算法模型，還取決于音頻語(yǔ)料的質(zhì)量，即數據質(zhì)量。思必馳有著(zhù)豐富的聲優(yōu)資源以及聲優(yōu)挑選的經(jīng)驗，在蘇州建設有專(zhuān)業(yè)錄？棚并與國內多個(gè)城市的錄？棚有著(zhù)長(cháng)久合作關(guān)系。與此同時(shí)，思必馳數據團隊也對數據標注有著(zhù)嚴格的質(zhì)量把控。
位于思必馳蘇州總部的專(zhuān)業(yè)錄音棚
經(jīng)過(guò)多年的技術(shù)積累，思必馳已逐步形成了？套成熟的技術(shù)？案，業(yè)務(wù)涵蓋了？數據語(yǔ)？定制、？數據快速定制、聲？克隆、歌聲合成、？語(yǔ)種合成、？？合成、情感合成等，可選公有云、私有云以及離線(xiàn)三種部署？式，經(jīng)典？？可在思必馳官？實(shí)時(shí)體驗。
2017年、2020年，思必馳還先后參與國家標準《中文語(yǔ)音合成互聯(lián)網(wǎng)服務(wù)接口規范》與行業(yè)標準《中文語(yǔ)音合成服務(wù)系統評估規范》的制定，并成為全國首批通過(guò)評估測評的公司之一，獲得“TTS-4S(Standard Similarity Scene System)服務(wù)證書(shū)”。該測評從合成質(zhì)量、定制能力、場(chǎng)景表現力和系統安全可靠等維度，全面評估合成水平和服務(wù)能力。
2019年11月，思必馳首批通過(guò)“中文語(yǔ)音合成水平測試”
未來(lái)世界，百“聲”爭鳴
為能快速提供語(yǔ)音合成定制服務(wù)，思必馳全程提供音色選擇、錄音指導、音頻處理、模型訓練、服務(wù)部署等專(zhuān)業(yè)服務(wù)，賦予產(chǎn)品開(kāi)口講話(huà)的能？。
截至目前，思必馳語(yǔ)音合成已建設的？？庫內包含音色接近200個(gè)，涵蓋多種？？、多種風(fēng)格，以及各個(gè)年齡層次。
思必馳語(yǔ)音合成服務(wù)，也已在車(chē)載、？電、機器？、智能客服等諸多領(lǐng)域成功落地，為眾多終端產(chǎn)品賦予聲的魅力，使得萬(wàn)物皆可溝通，并逐漸走入人們的工作與生活。
當你在家里“躺平”，來(lái)自如影智能的語(yǔ)音管家“Edison”，用他溫暖、紳士的聲音(文章開(kāi)頭的音頻A)，為你帶來(lái)踏實(shí)與慰藉；當你在愛(ài)車(chē)中馳騁，車(chē)蘿卜的語(yǔ)音助理“蘿卜”清脆、簡(jiǎn)明的聲音，如同車(chē)水馬龍路途中的一股清流；當你接起順豐95338服務(wù)熱線(xiàn)的外呼電話(huà)，智能客服“豐小蜜”親切又不失嚴謹的聲音，配合高效的工作能力，帶給你最省心省力的服務(wù)體驗……
鏡頭切換到泛娛樂(lè )領(lǐng)域，思必馳團隊打造的“小馳機器人”在央視《機智過(guò)人》中，現場(chǎng)用撒貝寧的聲音生成了一曲《好久不見(jiàn)》。在《經(jīng)典詠流傳》中，思必馳攜手欄目組共同推出 “讀詩(shī)成曲”線(xiàn)上互動(dòng)小工具，提供實(shí)時(shí)讀詩(shī)成曲的能？。用戶(hù)僅需讀幾句簡(jiǎn)單的詩(shī)詞，便可快速生成有腔有韻的歌聲，互動(dòng)總量超過(guò)821萬(wàn)人次。
思必馳聯(lián)合創(chuàng )始人兼首席科學(xué)家俞凱參與節目錄制
在個(gè)性化定制上，思必馳不僅可以提供普通話(huà)定制、歌聲定制，還可以通過(guò)遷移學(xué)習方法，提供更高難度的方言、小語(yǔ)種TTS定制，如粵語(yǔ)、上海語(yǔ)、四川話(huà)、？東話(huà)、東北話(huà)、德語(yǔ)、法語(yǔ)等。
而思必馳的情感合成技術(shù)，則賦予美妙音色豐沛的情緒，讓聲音更具表現力與感染力。
此外，思必馳聲音復刻技術(shù)也已在斑馬智能、愛(ài)馳汽車(chē)、嵐圖汽車(chē)、仙豆智能等車(chē)聯(lián)網(wǎng)客戶(hù)以及IoT領(lǐng)域落地，僅需錄音20句話(huà)約400漢字，10分鐘之內便可以完成模型生產(chǎn)，MOS 合成音/錄音達到90%，相似度合成音/錄音達到80%。
人類(lèi)的聲音，是人類(lèi)語(yǔ)言的物質(zhì)外殼，卻承載著(zhù)重要的信息和真摯的情感，擁有著(zhù)無(wú)窮的魅力。人工智能突飛猛進(jìn)地發(fā)展正不斷催化人機交互方式的巨變，“萬(wàn)物可溝通、萬(wàn)事可打理”的語(yǔ)音互聯(lián)未來(lái)世界，正加速到來(lái)……
