真假難辨？獵戶星空10段話克隆你的聲音！

　 阿里云優(yōu)惠券 先領(lǐng)券再下單

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星空研發(fā)的語音合成技術(shù)。只要聽十段你的話，就可以克隆你的聲音，聽起來是不是很炫酷?

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

傳統(tǒng)的TTS都是怎么做的?

在看獵戶星空如何實(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，通過一定的方法生成語音波形。

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)建模的語音合成，或者叫做參數(shù)合成、參數(shù)法，優(yōu)點(diǎn)是所需語料庫少，幾千句即可，訓(xùn)練與合成過程也都可以由程序自動(dòng)完成，但缺點(diǎn)是語音質(zhì)量不高，情感韻律平淡。

現(xiàn)在大家地圖導(dǎo)航軟件中的聽到的明星音，針對(duì)導(dǎo)航場(chǎng)景錄制了幾千句的語料，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)是合成語音自然度很好，缺點(diǎn)就是數(shù)據(jù)要求太大，至少萬句語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)品錄制語料庫，前后時(shí)間長(zhǎng)達(dá)數(shù)月，花費(fèi)動(dòng)輒幾百萬。

獵戶星空：十段話合成人聲

魚和熊掌不可兼得，傳統(tǒng)的TTS存在著或多或少的問題。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也迎來了新的變革。2017年3月，Google 提出了一種新的端到端的語音合成系統(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重建算法生成語音。2017年底，Tacotron 2結(jié)合了WaveNet和Tacotron的優(yōu)勢(shì)，不需要任何語法知識(shí)即可直接輸出文本對(duì)應(yīng)的語音。

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

所以，這項(xiàng)技術(shù)真正落地商用后，將為明星語音、個(gè)性化語音的合成帶來重大突破，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，以后你的語音助手中住著你喜歡的明星或心愛的人，每天都可以和TA互動(dòng)聊天，仿佛TA就是你的私人小秘書，是不是有點(diǎn)小激動(dòng)呢?

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

獵戶語音OS成為行業(yè)標(biāo)配

在上文提到技術(shù)能力支撐之下，獵戶星空打造了獵戶tts——這個(gè)星球最溫暖的AI聲音。目前獵戶語音OS技術(shù)已經(jīng)應(yīng)用到了小米小愛同學(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，搭載獵戶語音合成技術(shù)的智能音箱產(chǎn)品在國(guó)內(nèi)份額已超30%，每天都超過2000萬次語音服務(wù)請(qǐng)求，比如小米AI助理小愛同學(xué)月活躍設(shè)備超過3000萬臺(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。獵戶語音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,獵豹移動(dòng)與旗下獵戶星空還會(huì)將自主研發(fā)的視覺、導(dǎo)航、語音、機(jī)械臂技術(shù)等核心能力逐步對(duì)外開放,與合作伙伴一起,讓機(jī)器人產(chǎn)品走進(jìn)大眾生活。

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！