語(yǔ)言的多模態(tài)應用已成為人們生活中習以為常的現象，一句簡(jiǎn)單的語(yǔ)音控制、一次短暫的智能客服答疑……這些都是 AI 語(yǔ)音交互技術(shù)應用為人們生活帶來(lái)的便利，與此同時(shí)，其社會(huì )價(jià)值與意義也在被重新估判......
有 “溫度”的聲音
語(yǔ)音技術(shù)主要分為語(yǔ)音合成（Speech Synthesis， 或者 Text to Speech）、語(yǔ)音識別（Speech Recognition， 或者 Speech to Text）、自然語(yǔ)言處理。其中，語(yǔ)音合成技術(shù)發(fā)展最早，且應用已較為普遍。
“說(shuō)”是人機交互無(wú)法忽視的環(huán)節，語(yǔ)音合成的重要性日益凸顯。
語(yǔ)音合成技術(shù)旨在通過(guò)將文字轉化為語(yǔ)音，讓機器“開(kāi)口說(shuō)話(huà)”使得機器變得有“溫度”，實(shí)現趨于完美的人機交互。
從早期的機械化語(yǔ)音合成開(kāi)始發(fā)展至今，語(yǔ)音合成的應用場(chǎng)景經(jīng)歷了較大的轉變。過(guò)去語(yǔ)音合成應用主要用于簡(jiǎn)單的文本播報，場(chǎng)景相對單調，現其應用場(chǎng)景更復雜更多樣，智能助手、智能機器人、文字閱讀等諸多領(lǐng)域都能見(jiàn)到語(yǔ)音合成技術(shù)的身影。
如在有聲閱讀方面，用戶(hù)需求越來(lái)越個(gè)性化；
機場(chǎng)、車(chē)站廣播等服務(wù)業(yè)，甜美溫柔的音質(zhì)可以拉進(jìn)與乘客間的距離，讓乘客在繁忙的旅途中感受到溫暖；
人們在聽(tīng)新聞時(shí)，往往期望播音員具有一個(gè)渾厚、穩重的聲音；
服務(wù)業(yè)客服場(chǎng)景下，人們傾向于聲音更加熱情、親切。
如何讓合成的聲音聽(tīng)起來(lái)自然并富有情感，是語(yǔ)音合成領(lǐng)域的一個(gè)主要發(fā)展方向。
增強語(yǔ)音交互真實(shí)感
傳統的語(yǔ)音合成技術(shù)，選音拼接和參數合成兩條路線(xiàn)長(cháng)期并存。前者音頻、語(yǔ)速真實(shí)，但合成效果不穩定，甚至聽(tīng)不懂，而后者合成內容效果基本穩定，但音質(zhì)機感濃重，音色損失大，語(yǔ)速不流暢。
為了提升合成語(yǔ)音自然度、流暢度，研究者們創(chuàng )立了全新的波形生成和序列到序列路線(xiàn)，直接以因果預測的思路逐個(gè)生成音頻樣點(diǎn)，追求完全還原，填補了參數合成與波形拼接在音質(zhì)方面的鴻溝。同時(shí)，傳統的參數合成需要另建一個(gè)專(zhuān)用的時(shí)長(cháng)模型來(lái)預測每字的長(cháng)度，存在嚴重的機器感。由于端到端路線(xiàn)的發(fā)展，Transformer架構的Tacotron系統通過(guò)直接建立文本序列到音頻幀序列的映射模型，克服了一字一頓的頑疾。Tacotron-Wavenet填補了參數合成與拼接合成的鴻溝，加大了語(yǔ)音柔順度的提升，完勝傳統參數合成和各種拼接合成。
捷通華聲所研發(fā)的靈云語(yǔ)音合成技術(shù)應用最新的深度學(xué)習技術(shù)，通過(guò)引用“全并行架構聲學(xué)模型”將轉化速度、韻律預測效果以及聲學(xué)模型訓練效果進(jìn)行提升，將合成語(yǔ)音的音質(zhì)與自然度提升到與人類(lèi)接近的水平。
目前，靈云語(yǔ)音合成技術(shù)支持中、英、日、韓、維、藏等多種語(yǔ)言，男聲、女聲、童聲、卡通聲等多種音色，具備熱情、甜美、嚴厲等多種風(fēng)格，為營(yíng)銷(xiāo)、導航、新聞、閱讀等領(lǐng)域提供服務(wù)支持。
聲音定制，真正的“人情味兒”
捷通華聲還可根據用戶(hù)需求，通過(guò)錄制和制作語(yǔ)音合成定制音庫，在極短時(shí)間內定制出各式各樣的高度仿真的人工智能聲音，效果自然且逼真。
實(shí)際上，在A(yíng)I行業(yè)或者用戶(hù)群體中，AI語(yǔ)音定制的能力始終被報以高度期待，利用AI模擬人聲，不僅可以注入記憶、陪伴等社會(huì )情感因素，還可借助用戶(hù)熟悉的聲音觸發(fā)更多的應用想象。靈云語(yǔ)音技術(shù)可將制作一個(gè)高品質(zhì)聲音所需的訓練時(shí)間極大降低，讓AI語(yǔ)音定制不再需耗費過(guò)多時(shí)間和資源，以更平常方式“飛入尋常百姓家”。
語(yǔ)音合成技術(shù)的快速發(fā)展，機器合成語(yǔ)音越發(fā)自然生動(dòng)，富有情感表現力。捷通華聲作為深耕語(yǔ)音合成領(lǐng)域多年的企業(yè)，在一次次升級和迭代中，滿(mǎn)足不同場(chǎng)景下越來(lái)越多的用戶(hù)需求，已廣泛服務(wù)于金融、電信、能源、交通、教育、司法、公安、醫療、互聯(lián)網(wǎng)等多個(gè)領(lǐng)域。
