真假難辨？獵戶(hù)星空10段話克隆你的聲音！

今日，獵豹移動(dòng)董事長(zhǎng)兼CEO傅盛在自己的抖音號(hào)上發(fā)布了一條視頻。作為一名“科技樂(lè)觀主義者”，傅盛和世界上的另一個(gè)“自己”進(jìn)行了一場(chǎng)隔空對(duì)話。短短幾十秒里，機(jī)器人“傅盛”的對(duì)答、繞口令樣樣精通。即使是仔細(xì)辨別，你也很難確認(rèn)哪一個(gè)才是真正的傅盛。

能夠達(dá)到如此驚艷的效果，其實(shí)要?dú)w功于獵豹移動(dòng)旗下人工智能公司獵戶(hù)星空研發(fā)的語(yǔ)音合成技術(shù)。只要聽(tīng)十段你的話，就可以克隆你的聲音，聽(tīng)起來(lái)是不是很炫酷?

在人機(jī)交互的過(guò)程中，與用戶(hù)體驗(yàn)感直接相關(guān)的，就是語(yǔ)音合成技術(shù)。這項(xiàng)技術(shù)是將文字轉(zhuǎn)化為聲音，可以簡(jiǎn)單地理解為人類(lèi)的嘴巴。大家在各種智能語(yǔ)音助手中聽(tīng)到的聲音，都是由TTS來(lái)生成的。所以，讓TTS合成的語(yǔ)音能夠“以假亂真”，正是TTS領(lǐng)域長(zhǎng)期以來(lái)不斷探索的主題。

傳統(tǒng)的TTS都是怎么做的?

在看獵戶(hù)星空如何實(shí)現(xiàn)“以小取大”的效果時(shí)，我們可以先看看以往的TTS是如何實(shí)現(xiàn)的。

傳統(tǒng)的TTS系統(tǒng)通常包括前端、后端兩個(gè)模塊。前端模塊主要負(fù)責(zé)對(duì)輸入文本進(jìn)行分析，提取語(yǔ)言學(xué)信息，如果是中文還涉及文本正則化、分詞、詞性預(yù)測(cè)、多音字消歧、韻律預(yù)測(cè)等，后端模塊根據(jù)前端的分析結(jié)果，通過(guò)一定的方法生成語(yǔ)音波形。

后端系統(tǒng)的主流技術(shù)有兩種，一種是基于統(tǒng)計(jì)參數(shù)建模的語(yǔ)音合成，或者叫做參數(shù)合成、參數(shù)法，優(yōu)點(diǎn)是所需語(yǔ)料庫(kù)少，幾千句即可，訓(xùn)練與合成過(guò)程也都可以由程序自動(dòng)完成，但缺點(diǎn)是語(yǔ)音質(zhì)量不高，情感韻律平淡。

現(xiàn)在大家地圖導(dǎo)航軟件中的聽(tīng)到的明星音，針對(duì)導(dǎo)航場(chǎng)景錄制了幾千句的語(yǔ)料，不僅聲音生澀感強(qiáng)，而且需要的成本和周期較長(zhǎng)，在其他領(lǐng)域的聲音效果不是很好。如果用戶(hù)預(yù)期不苛刻，這樣一種方式也未嘗不可。

另一種是基于單元挑選和波形拼接的語(yǔ)音合成，或者叫做拼接合成、拼接法，與參數(shù)法相反，優(yōu)點(diǎn)是合成語(yǔ)音自然度很好，缺點(diǎn)就是數(shù)據(jù)要求太大，至少萬(wàn)句語(yǔ)料才能滿足商用需求，一些廠商會(huì)請(qǐng)聲優(yōu)為其智能產(chǎn)品錄制語(yǔ)料庫(kù)，前后時(shí)間長(zhǎng)達(dá)數(shù)月，花費(fèi)動(dòng)輒幾百萬(wàn)。

獵戶(hù)星空：十段話合成人聲

魚(yú)和熊掌不可兼得，傳統(tǒng)的TTS存在著或多或少的問(wèn)題。所以這個(gè)領(lǐng)域的核心，在于如何降低訓(xùn)練成本，用更少的語(yǔ)料合成高質(zhì)量的聲音。

隨著人工智能、深度學(xué)習(xí)的應(yīng)用，TTS也迎來(lái)了新的變革。2017年3月，Google 提出了一種新的端到端的語(yǔ)音合成系統(tǒng)：Tacotron。它可將接收的輸入字符，輸出成相應(yīng)的原始頻譜圖，然后提供給Griffin-Lim重建算法生成語(yǔ)音。2017年底，Tacotron 2結(jié)合了WaveNet和Tacotron的優(yōu)勢(shì)，不需要任何語(yǔ)法知識(shí)即可直接輸出文本對(duì)應(yīng)的語(yǔ)音。

在已有的技術(shù)創(chuàng)新鋪墊下，獵戶(hù)星空TTS團(tuán)隊(duì)在Tactron的基礎(chǔ)上，訓(xùn)練了大語(yǔ)料庫(kù)的語(yǔ)音庫(kù)作為基礎(chǔ)模型，目標(biāo)發(fā)音人只需要錄制10段話，通過(guò)Adapt自適應(yīng)模型，提取出目標(biāo)發(fā)音人的特征，再通過(guò)World聲碼器，即可合成出目標(biāo)發(fā)音人音色相同的語(yǔ)音。

所以，這項(xiàng)技術(shù)真正落地商用后，將為明星語(yǔ)音、個(gè)性化語(yǔ)音的合成帶來(lái)重大突破，尤其是很大程度上減少明星音合成的成本、縮短應(yīng)用研發(fā)的周期。

想象一下，以后你的語(yǔ)音助手中住著你喜歡的明星或心愛(ài)的人，每天都可以和TA互動(dòng)聊天，仿佛TA就是你的私人小秘書(shū)，是不是有點(diǎn)小激動(dòng)呢?

除此之外，獵戶(hù)星空已掌握麥克風(fēng)陣列、語(yǔ)音喚醒、語(yǔ)音識(shí)別、語(yǔ)義理解和語(yǔ)音合成等全套遠(yuǎn)場(chǎng)語(yǔ)音技術(shù)，語(yǔ)音交互更快更準(zhǔn)，垂直領(lǐng)域深度語(yǔ)義理解正確率96%，還首創(chuàng)了喚醒后人聲回應(yīng)。

獵戶(hù)語(yǔ)音OS成為行業(yè)標(biāo)配

在上文提到技術(shù)能力支撐之下，獵戶(hù)星空打造了獵戶(hù)tts——這個(gè)星球最溫暖的AI聲音。目前獵戶(hù)語(yǔ)音OS技術(shù)已經(jīng)應(yīng)用到了小米小愛(ài)同學(xué)、美的小美AI音箱、喜馬拉雅小雅音箱、獵豹移動(dòng)小豹AI音箱、華為智能AI音箱等多家合作伙伴產(chǎn)品中，已經(jīng)成為行業(yè)標(biāo)配。

截至目前，搭載獵戶(hù)語(yǔ)音合成技術(shù)的智能音箱產(chǎn)品在國(guó)內(nèi)份額已超30%，每天都超過(guò)2000萬(wàn)次語(yǔ)音服務(wù)請(qǐng)求，比如小米AI助理小愛(ài)同學(xué)月活躍設(shè)備超過(guò)3000萬(wàn)臺(tái)，累計(jì)喚醒超50億次。

10月15日，中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟(AIIA)在人工智能開(kāi)發(fā)者大會(huì)公布了國(guó)內(nèi)智能音箱智能化評(píng)級(jí)結(jié)果，包括獵豹移動(dòng)、小米、喜馬拉雅、百度、京東在內(nèi)的五家主流廠商攜其智能音箱產(chǎn)品參與了首批測(cè)試評(píng)估。獵戶(hù)語(yǔ)音OS占據(jù)了獲評(píng)產(chǎn)品前五強(qiáng)中的三席，支撐起了智能音箱市場(chǎng)的大半壁江山。

結(jié)合自身人機(jī)交互的產(chǎn)品基因和獵戶(hù)星空擁有的行業(yè)唯一的全鏈條AI技術(shù)，獵豹移動(dòng)也在不同行業(yè)推動(dòng)人工智能產(chǎn)品的場(chǎng)景化落地。未來(lái),獵豹移動(dòng)與旗下獵戶(hù)星空還會(huì)將自主研發(fā)的視覺(jué)、導(dǎo)航、語(yǔ)音、機(jī)械臂技術(shù)等核心能力逐步對(duì)外開(kāi)放,與合作伙伴一起,讓機(jī)器人產(chǎn)品走進(jìn)大眾生活。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。