是不是感覺和以往聽到的機(jī)器合成音有些不一樣，似乎是真人？

不要懷疑，這仍然是AI生成，是由思必馳最新推出的超自然語音合成技術(shù)生成。

作為國(guó)內(nèi)專業(yè)的對(duì)話式人工智能平臺(tái)型企業(yè)，思必馳自主研發(fā)了全鏈路智能對(duì)話系統(tǒng)，涵蓋聲學(xué)信號(hào)處理、語音識(shí)別與合成、性別/年齡/聲紋識(shí)別、自然語言理解、知識(shí)圖譜、對(duì)話管理、智能交互決策等技術(shù)鏈條。

思必馳在專注挖掘場(chǎng)景需求、不斷提升整體系統(tǒng)智能的同時(shí)，也關(guān)注單點(diǎn)技術(shù)的持續(xù)創(chuàng)新與突破。比如在語音合成領(lǐng)域，思必馳近年來率先推出多項(xiàng)技術(shù)，持續(xù)給客戶和終端用戶帶來更人性化、智能化的體驗(yàn)。

2022年，發(fā)布單人千音，實(shí)現(xiàn)單個(gè)音色就能生成同時(shí)覆蓋多種語言、多種風(fēng)格的語音合成聲音，極大豐富了合成語音的表現(xiàn)力；

2022年，推出發(fā)音人音色定制平臺(tái)，支持客戶自主完成語音合成音色模型定制，降低語音合成定制門檻；

2022年，針對(duì)智能客服推出高情感、高擬人度的“多情感TTS”；

2022年，發(fā)布“千語千訓(xùn)”系統(tǒng)，零人工介入、自動(dòng)更新模型，語音識(shí)別系統(tǒng)更新頻率實(shí)現(xiàn)了從周級(jí)到天級(jí)的跨越；

2023年，發(fā)布“聲音復(fù)刻”技術(shù)，僅需錄制一句話即可復(fù)刻出自己的音色，支持任意文本的朗讀；

2023年，發(fā)布自然場(chǎng)景數(shù)字人生成技術(shù)，個(gè)性化對(duì)話生成與語音合成模型無縫結(jié)合，構(gòu)建可自由交互的個(gè)性化IP；

2023年，發(fā)布支持基于生成擴(kuò)散模型的零樣本高質(zhì)量語音編輯，支持中文及英文，能夠像文本一樣去修改音頻......

而今天，思必馳又推出了一項(xiàng)全新的技術(shù)：超自然語音合成，即基于語音特征離散化技術(shù)和大語言模型等，降低預(yù)測(cè)連續(xù)語音特征的難度，還原真人說話細(xì)微的韻律特點(diǎn)、發(fā)音口癖，讓合成效果更加自然、真實(shí)且富有表現(xiàn)力。該項(xiàng)技術(shù)適用于AI數(shù)字人、新聞播報(bào)、智能客服、智能助理等眾多應(yīng)用場(chǎng)景。

（在線體驗(yàn)）

拿捏真人說話的“藝術(shù)”，高度還原細(xì)節(jié)

與傳統(tǒng)TTS生成聲音的刻板、不接地氣、缺乏真人聲音的抑揚(yáng)頓挫等相比，超自然語音合成的最大特點(diǎn)就是能夠高度還原真人說話時(shí)的細(xì)節(jié)，特別是語氣詞、吸氣聲、停頓等。

當(dāng)我們和朋友聊天時(shí)，語氣詞、吸氣聲、停頓以及字音拖長(zhǎng)等語言現(xiàn)象經(jīng)常出現(xiàn)，這些語言現(xiàn)象并不是隨意的，而是自然而然產(chǎn)生的：

“啊”、“哦”、“嗯”等語氣詞能夠傳達(dá)說話人的情緒，吸氣聲表現(xiàn)了說話人在思考或準(zhǔn)備說話時(shí)的心理狀態(tài)，猶豫時(shí)的停頓反映了說話人的不確定性，字音拖長(zhǎng)則強(qiáng)調(diào)了某個(gè)詞語的重要性......

當(dāng)細(xì)微的韻律特點(diǎn)和發(fā)音口癖被還原時(shí)，你能感受到語音的生動(dòng)性和自然性，仿佛是在與真實(shí)的人進(jìn)行交流。

以銀行智能客服場(chǎng)景為例，用戶感受到的是與“真人”溝通的親切感和舒適度。

然而，要實(shí)現(xiàn)這樣完美的語音合成效果并不容易，需要先進(jìn)的語音處理技術(shù)和大量的真實(shí)語音數(shù)據(jù)來訓(xùn)練合成模型。與此同時(shí)，還需要對(duì)語音學(xué)和語言學(xué)有深入的理解，以便能夠準(zhǔn)確地捕捉和復(fù)現(xiàn)語音中的細(xì)微差別。

關(guān)鍵技術(shù)創(chuàng)新突破，捕捉真人語音特點(diǎn)

為了還原真人說話效果，思必馳對(duì)韻律的多樣性進(jìn)行了深入研究，并將語音特征離散化應(yīng)用到語音合成領(lǐng)域。

語音特征離散化是指將連續(xù)的語音信號(hào)轉(zhuǎn)換為一系列離散值的過程。這種離散值通過使用自監(jiān)督（Self-Supervised Learning，SSL）模型提取得到，而自監(jiān)督模型則使用海量語音數(shù)據(jù)訓(xùn)練得到。在語音生成的過程中，用聲音模型將文本轉(zhuǎn)換成語音特征，離散化處理可以降低模型預(yù)測(cè)連續(xù)語音特征的難度，使其更容易捕捉到自然和多樣化語音的特點(diǎn)。

2022 年 4 月份，思必馳首席科學(xué)家、上海交通大學(xué)計(jì)算機(jī)系教授俞凱博士帶領(lǐng)的研究團(tuán)隊(duì)發(fā)表了將語音特征離散化技術(shù)應(yīng)用于文本到語音生成的關(guān)鍵成果，即《 VQTTS: High-Fidelity Text-to-Speech Synthesis with SelfSupervised VQ Acoustic Feature 》，這是業(yè)界首次將語音特征離散化應(yīng)用于從文本到語音生成的建模，使語音生成效果取得了突破性進(jìn)展。

在思必馳和上海交通大學(xué)計(jì)算機(jī)系跨媒體語言智能實(shí)驗(yàn)室的共同努力下，基于VQTTS 技術(shù)的思必馳情感音色悅悅?cè)〉昧烁哌_(dá) 4.7 的 MOS 分?jǐn)?shù)，達(dá)到業(yè)內(nèi)一流水平。

思必馳也將VQTTS 技術(shù)應(yīng)用于超自然語音合成，結(jié)合大語言模型技術(shù)的成果，以及海量自然風(fēng)格的數(shù)據(jù)，思必馳超自然語音合成技術(shù)可以更好地捕捉語言的韻律和語調(diào)，從而生成更貼近人類發(fā)音的語音。

全新的語音交互體驗(yàn)，賦能千行百業(yè)多場(chǎng)景

羅伊·澤扎納在《未來生活簡(jiǎn)史》一書中提到，三場(chǎng)科技革命將在未來改變?nèi)祟惖墓ぷ鳌⑸詈退季S方式。這三場(chǎng)革命分別是：個(gè)性化制造革命、智能革命和生物革命。在智能革命中，計(jì)算機(jī)開始模仿人類的部分語言和思維能力，人類也在此過程中得到提升。

思必馳DFM-2大模型已經(jīng)在智能家居、電商客服、在線教育、智能汽車等眾多場(chǎng)景落地應(yīng)用，基于語音大模型技術(shù)的超自然語音合成，將讓更多產(chǎn)品具有更好的人機(jī)交互體驗(yàn)，讓更多用戶體驗(yàn)到了科技創(chuàng)新的成果：

在線上教學(xué)場(chǎng)景中，學(xué)生可以聽到自然、流暢且富有感情的授課內(nèi)容，激發(fā)學(xué)習(xí)熱情；在居家生活場(chǎng)景中，不僅能分享自己的喜怒哀樂，還能得到“真人”情感上的安慰和支持。

每一次科技進(jìn)步，都讓人類的生活更美好。基于超自然語音合成技術(shù)，思必馳成將為千行百業(yè)的不同場(chǎng)景提供“真人”個(gè)性化聲音，助力開啟全新的語音交互之旅。

掃描下方二維碼，輸入文本即可獲得一段自然流暢、聲情并茂的“真人”音頻，快去動(dòng)手試試吧。