語(yǔ)言的多模態(tài)應(yīng)用已成為人們生活中習(xí)以為常的現(xiàn)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(yīng)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......

　　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(shí)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(yīng)用已較為普遍。

　　語(yǔ)音合成技術(shù)旨在通過(guò)將文字轉(zhuǎn)化為語(yǔ)音，讓機(jī)器“開(kāi)口說(shuō)話”使得機(jī)器變得有“溫度”，實(shí)現(xiàn)趨于完美的人機(jī)交互。

　　從早期的機(jī)械化語(yǔ)音合成開(kāi)始發(fā)展至今，語(yǔ)音合成的應(yīng)用場(chǎng)景經(jīng)歷了較大的轉(zhuǎn)變。過(guò)去語(yǔ)音合成應(yīng)用主要用于簡(jiǎn)單的文本播報(bào)，場(chǎng)景相對(duì)單調(diào)，現(xiàn)其應(yīng)用場(chǎng)景更復(fù)雜更多樣，智能助手、智能機(jī)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，用戶需求越來(lái)越個(gè)性化；

　　機(jī)場(chǎng)、車站廣播等服務(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?cè)诼?tīng)新聞時(shí)，往往期望播音員具有一個(gè)渾厚、穩(wěn)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。

　　傳統(tǒng)的語(yǔ)音合成技術(shù)，選音拼接和參數(shù)合成兩條路線長(zhǎng)期并存。前者音頻、語(yǔ)速真實(shí)，但合成效果不穩(wěn)定，甚至聽(tīng)不懂，而后者合成內(nèi)容效果基本穩(wěn)定，但音質(zhì)機(jī)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，直接以因果預(yù)測(cè)的思路逐個(gè)生成音頻樣點(diǎn)，追求完全還原，填補(bǔ)了參數(shù)合成與波形拼接在音質(zhì)方面的鴻溝。同時(shí)，傳統(tǒng)的參數(shù)合成需要另建一個(gè)專用的時(shí)長(zhǎng)模型來(lái)預(yù)測(cè)每字的長(zhǎng)度，存在嚴(yán)重的機(jī)器感。由于端到端路線的發(fā)展，Transformer架構(gòu)的Tacotron系統(tǒng)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(bǔ)了參數(shù)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(tǒng)參數(shù)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(yīng)用最新的深度學(xué)習(xí)技術(shù)，通過(guò)引用“全并行架構(gòu)聲學(xué)模型”將轉(zhuǎn)化速度、韻律預(yù)測(cè)效果以及聲學(xué)模型訓(xùn)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(yán)厲等多種風(fēng)格，為營(yíng)銷、導(dǎo)航、新聞、閱讀等領(lǐng)域提供服務(wù)支持。

　　捷通華聲還可根據(jù)用戶需求，通過(guò)錄制和制作語(yǔ)音合成定制音庫(kù)，在極短時(shí)間內(nèi)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AI行業(yè)或者用戶群體中，AI語(yǔ)音定制的能力始終被報(bào)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，還可借助用戶熟悉的聲音觸發(fā)更多的應(yīng)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(xùn)練時(shí)間極大降低，讓AI語(yǔ)音定制不再需耗費(fèi)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(jī)器合成語(yǔ)音越發(fā)自然生動(dòng)，富有情感表現(xiàn)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(jí)和迭代中，滿足不同場(chǎng)景下越來(lái)越多的用戶需求，已廣泛服務(wù)于金融、電信、能源、交通、教育、司法、公安、醫(yī)療、互聯(lián)網(wǎng)等多個(gè)領(lǐng)域。