中國AI領(lǐng)先！微軟推出更逼真AI語音，國內(nèi)兩個月前就已發(fā)布

量子位的朋友們 2024-04-15 17:22:52 來源：量子位

近期，微軟對其Azure AI語音服務(wù)進(jìn)行了重要升級，新上線了9款更真實的AI語音。微軟提升了AI語音的自然度，在語調(diào)、節(jié)奏和情感上更好捕捉了人類語音的細(xì)微差別，讓合成的語音更加生動和真實，其逼真的效果引發(fā)大家的關(guān)注討論。

微軟Azure AI語音合成體驗頁面

但這一次微軟并非領(lǐng)先者，早在2個月前，科大訊飛就在訊飛星火V3.5發(fā)布會上，率先推出了超擬人語音合成技術(shù)，并搭載在訊飛星火APP中開放給全民體驗。其擬人度超過83%，MOS分達(dá)到4.5分（滿分5分，分?jǐn)?shù)越高表示語音質(zhì)量越好），體驗下來它的聲音流暢自然，表達(dá)已非常接近人類的真實聲音。

可以看到，隨著大模型的發(fā)展如火如荼，作為重要的表達(dá)方式，超擬人合成技術(shù)成為國內(nèi)外AI巨頭爭相布局的重點，一場超擬人合成技術(shù)PK賽正在上演。

微軟VS科大訊飛：星火擬人度更優(yōu)

語音合成技術(shù)在上世紀(jì)九十年代后快速發(fā)展，尤其是深度學(xué)習(xí)技術(shù)的出現(xiàn)推動語音合成進(jìn)入全新階段，逐步走向規(guī)模化應(yīng)用落地、被大眾所熟知。相比字正腔圓的“播音腔”，現(xiàn)在語音合成的風(fēng)向標(biāo)更多指向貼近真人日常表達(dá)，也就是超擬人。

普通人正常交流對話中會帶有一定的語氣、情感和口語化表達(dá)，也會出現(xiàn)重復(fù)、卡頓、嘆氣、呼吸、說錯字詞，還有吞音、輕聲等習(xí)慣說法。考量超擬人語音效果，不僅要看說話的自然度、流暢度，也要看這些口語化和副語言的頻率和細(xì)節(jié)是否更貼近真實，以及語音中的情感是否貼合說話內(nèi)容等維度。

目前，微軟上新的AI語音可以在Azure AI服務(wù)頁面里進(jìn)行試聽和調(diào)用，科大訊飛超擬人合成在訊飛星火APP和訊飛開放平臺上均可體驗和使用。

近日，也有媒體以相同的文本對兩者的超擬人合成技術(shù)進(jìn)行了體驗評測，發(fā)現(xiàn)微軟和科大訊飛在超擬人合成的擬人度上相較傳統(tǒng)語音合成效果都有了顯著進(jìn)步，克服了合成聲音“板正”、“一絲不茍”的“播音腔”問題；同時在停頓、語速變化等副語言上的表現(xiàn)也相當(dāng)自然，“哈哈”、“嗯”等常見的口語化詞語也和說話內(nèi)容進(jìn)行了較好融合。

對比來看，微軟上新的9款A(yù)I語音覆蓋了更多語種和說話風(fēng)格，說話的自然度和流暢度相對較好，但在語氣詞等口語化表達(dá)上稍顯突兀；科大訊飛的超擬人合成在整體的擬人化程度上略勝一籌，交互和表達(dá)效果更生活化、也更自然，口語化詞語的插入不突兀，遇到一些中英文混雜的詞語，也能做到發(fā)音自然。

值得一提的是，科大訊飛超擬人合成在情感表達(dá)上表現(xiàn)更為突出。在輸入表達(dá)不同程度開心的相關(guān)文字后，訊飛超擬人合成的效果能夠根據(jù)程度不同展現(xiàn)出可感知的差別；而微軟在情感表達(dá)上稍遜一籌，合成效果與普通語氣基本沒有差異。綜合來看，科大訊飛的超擬人技術(shù)在擬人度與情感表達(dá)上更優(yōu)。

通用大模型+語音大模型 讓語音合成更逼真

今年1月30日科大訊飛發(fā)布超擬人合成時，也發(fā)布了最新的星火語音大模型，它可謂是讓語音合成聽起來更加自然和逼真的“殺手锏”。

圖片來源于訊飛星火V3.5發(fā)布會內(nèi)容

它是如何做到的呢？首先，基于星火通用大模型的能力，來預(yù)測文本中的口語化現(xiàn)象、情感、停頓等細(xì)節(jié)信息，這對于傳達(dá)說話者的真實感受非常重要；然后，星火語音大模型學(xué)習(xí)人類的口語化表達(dá)方式后，對通用大模型預(yù)測的口語化信息進(jìn)行還原，從而極大提高了合成的擬人化效果。

之所以能夠抓住先機，在超擬人合成技術(shù)上率先突破并取得成效，這與訊飛多年來深厚的技術(shù)積累與持續(xù)創(chuàng)新緊密相關(guān)。

在科大訊飛創(chuàng)立之初，就在1998年的國家“863”計劃語音合成比賽中奪得冠軍。此后，科大訊飛更是在國際語音合成界的“奧斯卡”Blizzard Challenge評測賽事中拿下十四連冠，還實現(xiàn)了中英文語音合成業(yè)界首次超過普通人說話水平等一系列成就，可謂是AI語音“王者”。

近年來，訊飛在多語種語音合成應(yīng)用、方言合成、合成語音情感上持續(xù)創(chuàng)新，并且推出全新語音合成系統(tǒng)SMART-TTS，實現(xiàn)多風(fēng)格、多情感合成，能夠根據(jù)需求對聲音進(jìn)行調(diào)節(jié)和創(chuàng)作。超擬人合成技術(shù)的率先上線和驚艷效果，背后是科大訊飛多年如一日的積累與突破。

隨著訊飛星火APP上線了超擬人合成技術(shù)后，受到了許多用戶的喜愛，在訊飛開放平臺上也成為開發(fā)者的熱門選擇，并將在車載、機器人、智能客服等領(lǐng)域推出落地應(yīng)用。據(jù)了解，訊飛超擬人合成升級版本也會在近期推出，將進(jìn)一步增強喜怒哀樂等各種類型的情感反饋能力。

超擬人技術(shù)有望引爆萬物互聯(lián)時代的交互體驗

萬物互聯(lián)時代，語音正在成為人機交互的主要入口。超擬人合成技術(shù)不僅能夠提供更加自然流暢的交互體驗，還能夠通過模擬人類的情感和行為，為用戶提供更加個性化和富有同理心的服務(wù)，將變革我們的人機交互體驗。

市場規(guī)模的增長也從側(cè)面印證了這一趨勢。據(jù)相關(guān)報告預(yù)測，全球生成式AI市場規(guī)模將從2022年的400億美元，擴(kuò)大至2032年的1.3萬億美元。中國生成式AI商業(yè)應(yīng)用規(guī)模預(yù)計到2025年將達(dá)到2070億元，未來五年的年均增速84%。超擬人技術(shù)作為生成式AI的重要表達(dá)方式，展現(xiàn)出巨大的市場潛力。

而在這一技術(shù)上，以科大訊飛等為代表的中國AI企業(yè)已經(jīng)率先布局，實現(xiàn)了國際領(lǐng)先，有望在全球市場中占據(jù)重要地位。