思必驰高自然度可定制的语音合成（TTS）技术，如何练成的 ？

语音合成(Text to Speech,TTS)又称文本语音转换技术,顾名思义,是把文本信息转化成语音信息。它是对话式人工智能的最后一环,也是关键一环,它的效果直接影响着人机语音交互的体验。

思必驰作为国内领先的对话式人工智能平台公司,它的语音合成技术表现究竟如何?

语音合成的“前世今生”

人的语音,本质上是发音器官震动,产生声波传出。模仿人声,最古老的方法是使用乐器。到19世纪,就可以用机械方法产生语音了。那时,科学家们会制作出一些精巧的气囊和风箱去搭建发声系统,合成出一些元音和单音。

进入电子时代的1939年,贝尔实验室H·杜德利制作出第一台电子合成器,这是用共振峰原理制作的语音合成器,该技术使用固定频率,以电子复制我们改变口型时所发出的元音声,也这正是英国剑桥大学著名物理学家斯蒂芬·霍金教授所使用的声音合成器。

上世纪90年代,随着计算和存储能力大幅度提升,基于大语料库的单元挑选与波形拼接合成方法出现,可以合成出高质量的自然人语音。

进入21世纪,随着深度学习技术的兴起和快速发展,以语音合成为代表的语音处理技术得到了极大的飞跃。神经网络语音合成在近几年来取得了显著突破,合成⾳的⾳质和⾃然度越来越⾼,运⾏速度也越来越快。思必驰目前所使用的,也正是这种方法。

思必驰TTS,魅力何在?

早在2007年于英国剑桥大学创立时,思必驰关于语音合成技术研究就已开启,该项工作由思必驰联合创始人兼首席科学家、上海交通大学教授俞凯领头。

语音合成系统主要分为文本处理、声学模型、声码器三个部分。文本处理负责对文本进行转写和phoneme序列转换;声学模型使用深度神经网络,可以在文本特征与声学特征之间学习到更复杂的非线性关系;声码器负责将声学模型输出的声学特征,通过卷积运算,转换成音频。

经过10多年的研究积累,思必驰在建模方法上,涵盖了从传统的统计参数模型到最新的基于神经网络的方法;对声码器的研究,涵盖了从传统的基于信号处理的方法到最新的基于神经网络的方法。

语音合成的质量与效果,既有赖于语音厂商的算法模型,还取决于音频语料的质量,即数据质量。思必驰有着丰富的声优资源以及声优挑选的经验,在苏州建设有专业录⾳棚并与国内多个城市的录⾳棚有着长久合作关系。与此同时,思必驰数据团队也对数据标注有着严格的质量把控。

经过多年的技术积累,思必驰已逐步形成了⼀套成熟的技术⽅案,业务涵盖了⼤数据语⾳定制、⼩数据快速定制、声⾳克隆、歌声合成、⼩语种合成、⽅⾔合成、情感合成等,可选公有云、私有云以及离线三种部署⽅式,经典⾳⾊可在思必驰官⽹实时体验。

2017年、2020年,思必驰还先后参与国家标准《中文语音合成互联网服务接口规范》与行业标准《中文语音合成服务系统评估规范》的制定,并成为全国首批通过评估测评的公司之一,获得“TTS-4S(Standard Similarity Scene System)服务证书”。该测评从合成质量、定制能力、场景表现力和系统安全可靠等维度,全面评估合成水平和服务能力。

2019年11月,思必驰首批通过“中文语音合成水平测试”

未来世界,百“声”争鸣

为能快速提供语音合成定制服务,思必驰全程提供音色选择、录音指导、音频处理、模型训练、服务部署等专业服务,赋予产品开口讲话的能⼒。

截至目前,思必驰语音合成已建设的⾳⾊库内包含音色接近200个,涵盖多种⾓⾊、多种风格,以及各个年龄层次。

思必驰语音合成服务,也已在车载、⽩电、机器⼈、智能客服等诸多领域成功落地,为众多终端产品赋予声的魅力,使得万物皆可沟通,并逐渐走入人们的工作与生活。

当你在家里“躺平”,来自如影智能的语音管家“Edison”,用他温暖、绅士的声音(文章开头的音频A),为你带来踏实与慰藉;当你在爱车中驰骋,车萝卜的语音助理“萝卜”清脆、简明的声音,如同车水马龙路途中的一股清流;当你接起顺丰95338服务热线的外呼电话,智能客服“丰小蜜”亲切又不失严谨的声音,配合高效的工作能力,带给你最省心省力的服务体验……

镜头切换到泛娱乐领域,思必驰团队打造的“小驰机器人”在央视《机智过人》中,现场用撒贝宁的声音生成了一曲《好久不见》。在《经典咏流传》中,思必驰携手栏目组共同推出 “读诗成曲”线上互动小工具,提供实时读诗成曲的能⼒。用户仅需读几句简单的诗词,便可快速生成有腔有韵的歌声,互动总量超过821万人次。

在个性化定制上,思必驰不仅可以提供普通话定制、歌声定制,还可以通过迁移学习方法,提供更高难度的方言、小语种TTS定制,如粤语、上海语、四川话、⼭东话、东北话、德语、法语等。

而思必驰的情感合成技术,则赋予美妙音色丰沛的情绪,让声音更具表现力与感染力。

此外,思必驰声音复刻技术也已在斑马智能、爱驰汽车、岚图汽车、仙豆智能等车联网客户以及IoT领域落地,仅需录音20句话约400汉字,10分钟之内便可以完成模型生产,MOS 合成音/录音达到90%,相似度合成音/录音达到80%。

人类的声音,是人类语言的物质外壳,却承载着重要的信息和真挚的情感,拥有着无穷的魅力。人工智能突飞猛进地发展正不断催化人机交互方式的巨变,“万物可沟通、万事可打理”的语音互联未来世界,正加速到来……