话音合成,Alibaba达摩院都干什么了

原标题:拥有高质量的人机交互体验,离不开『定制化』语音合成

以语音合成为代表的AI技术已经在各行各业广泛应用,而语音合成技术的“情感化”,成为如今市场的迫切需求。

达摩院成立快两年之际,机器智能技术实验室抢先展示了一下成绩。

在人机交互中,语音交互已经成为必不可少的交互形式。自然、清晰、流畅的语音是交互体验中重要的一个环节,这就离不开语音合成技术。

捷通华声凭借深厚的行业及技术积累,重磅推出具有划时代意义的灵云情感语音合成技术,能够合成出带有语气、情绪等情感丰富、更接近真人的声音,并成功上线灵云平台,同时推出情感语音合成能力平台,让每一家企业都能轻松拥有更动听、更富感情的语音合成服务。

2017 年 10 月,阿里成立了达摩院,覆盖 5 个研究领域,建有 14
个实验室。除了上述的“机器智能”,达摩院研究大方向还有数据计算、机器人、金融科技、X
实验室。

极限元的语音合成技术采用国际先进的数据驱动技术,利用精心设计的语音语料库进行声学模型和文本处理模型的训练,得到的模型深度挖掘了语音语言特性,合成的语音清晰、自然、亲切、具有高表现力,媲美真人发声。

图片 1

机器智能技术实验室侧重于 AI
相关技术的基础研究,旗下设有语音实验室、视觉实验室、语言技术实验室、决策职能实验室、以及城市大脑实验室。

而随着人机交互市场需求的不断变化,定制化语音合成成为发展趋势。以人机交互中家庭生活场景为例,智能音箱算是一个典型应用,市场上的智能音箱同质化严重,销售情况并不乐观,抓住用户痛点,调动用户使用频次,或许也是提高销售的一种有效手段。试想,拥有同样功能的智能音箱,如果声音是嗲气的小姐姐,或者是呆萌可爱的童声,又或者是喜欢的偶像声音,无论是哪一种,这样真实丰满的人设声音,是不是更容易打动用户,从而调动用户的使用频次。

十多年深耕技术 引领行业变革

近日,达摩院机器智能技术实验室举办了一场小型媒体沟通会,几位技术专家向外界介绍了最新成果和进展。

图片 2

十多年来,捷通华声一直专注技术研发与创新,依靠国内领先的灵云语音合成技术,在国内智能语音市场占有率超50%:

图片 3

极限元的定制化语音合成服务能够满足丰富的个性化声音设定,如林志玲的嗲气十足,郭德纲幽默逗趣,稚气呆萌的童声、游戏动漫角色声、各类方言等。极限元的定制化语音合成服务支持录音人选型、录音采集、语料标注,还能实现模型迭代训练、合成引擎优化,支持在线、离线模式,适用于多种平台,可应用于多个领域。全方位地为有需要的企业和用户提供专属声音,满足用户在不同应用场景下的个性化音色需求。只需要提供少量发音人样本,通过快速自适应训练,即可合成出高自然度的个性化语音,极大的增强了用户的体验感。

2001年,捷通华声推出代表国际领先水平的jTTS世纪版;

兼具表现力和稳定性的语音合成技术

极限元语音合成技术专业MOS分可达4.0,拥有标配版女声和男声,女声包括标准型甜美型、萝莉型;男声包括标准型、浑厚型、清爽型。极限元已与百度、腾讯、搜狗、奇虎360、语文出版社等众多客户建立了长期稳定的合作关系。

2007年,捷通华声成为建行、农行的唯一语音合成供应商;

首先,机器智能技术实验室正式发布了新的语音合成技术 KAN-TTS(KAN 指的是
Knowledge-Aware
Neural)。TTS(Text-To-Speech,文本到语音)是一种将文字转化成语音的技术,智能音箱、个人虚拟助理都需要这种技术支持。

图片 4

2008年,灵云多语种语音合成技术成功服务北京奥运会;

达摩院机器智能语音实验室高级算法专家雷鸣介绍,当前业界商用系统的合成语音与原始音频录音的接近程度,通常在85%到90%之间,而基于KAN-TTS技术的合成语音可将该数据提高到97%以上。

让声音富有情感和表现力,一直是语音合成技术的一大难点。而极限元在情感语音合成领域,与国际接轨,其创始团队源自中科院自动化研究所并成立“智能交互联合实验室”,号称语音合成界的“黄埔军校”;在人工智能领域有近20年技术积累,在国际会议和期刊上发表论文400余篇,申请语音及音频领域专利100余项;作为负责人、科研骨干参与多项国家自然基金项目、国家863项目和国家重点研发计划等项目,获得音视频情感竞赛第二名、北京市科学进步二等奖、中国专利奖优秀奖、Eurospeech大会奖等多种奖项。

2010年,上海世博会采用灵云语音合成技术播报赛事;

简单来说,KAN-TTS 合成的语音更加像真人的语音,“接近真人韵律的感觉”。

极限元致力于为呼叫中心、智能机器人、智能家居、车载导航、有声读物等相关应用场景提供更加优质的语音合成服务,为用户提供高质量的智能交互体验。返回搜狐,查看更多

2015年,捷通华声已成功为上千家企业提供语音合适技术……

图片 5

责任编辑:

如今,全新推出的灵云情感语音合成技术,让捷通华声能够更好地服务于金融、电信、能源、交通、政府、医疗、互联网等各领域,全新体验的语音合成产品能够引发行业内巨大变革,推动合成技术跨越式发展。

“我们新一代的 TTS 解决方案深度融合了传统 TTS 和端到端
TTS,基于不同领域的深层 Knowledge。”雷鸣介绍道。

不论是智能客服、地图导航、机场广播的甜美女声,新闻播报、听书朗读的清爽男声,智能家电、机器人的可爱童声,捷通华声通过为企业提供稳定便捷的情感语音合成能力平台,都能让有各种需求的企业快速拥有更具竞争力的产品,让社会大众能够体验到富具情感、更声情并茂的听觉体验。

所谓端到端
TTS,即不依靠领域知识,基于强大的深度学习模型、海量数据来生成音频,优势是大大节省设计的工作,并且得到更加流畅、表现力更好的合成语音,但需要大量计算力支持,而且会出现丢字、漏字等不稳定的情况。Google
的 Tacotron 和 DeepMind 的 WaveNet 都是典型的端到端 TTS 模型。

图片 6

而传统 TTS
需要花费大量时间和精力去了解相关的领域知识,设计难度较高,但胜在合成的语音比较稳定。

相关文章