現(xiàn)實(shí)版柯南變聲領(lǐng)結(jié)！搜狗輸入法變聲功能發(fā)布，千人千聲一鍵轉(zhuǎn)換
沒錯(cuò)，現(xiàn)在通過搜狗輸入法就OK。
允中 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI
不再是動(dòng)畫，也不再是科幻想象，AI再次帶來(lái)夢(mèng)想成真一刻。
在動(dòng)畫片《名偵探柯南》中，阿笠博士送給柯南的變聲領(lǐng)結(jié)是柯南破案的重要道具，得益于它，柯南可以將聲音偽裝成其他人，在不暴露身份的情況下巧妙破案。
但或許你未曾想過，有一天，這個(gè)變聲領(lǐng)結(jié)會(huì)真的出現(xiàn)在現(xiàn)實(shí)世界中，并且只需要在手機(jī)上輕輕一點(diǎn)就可以實(shí)現(xiàn)完美變聲。
沒錯(cuò)，現(xiàn)在通過搜狗輸入法就OK。
現(xiàn)實(shí)版“柯南變聲領(lǐng)結(jié)”
今天（5月21日），搜狗輸入法就化身為了現(xiàn)實(shí)版的“阿笠博士”，正式推出“變聲”功能。
該功能由搜狗知音團(tuán)隊(duì)支持，可以將任意說(shuō)話人的聲音實(shí)時(shí)變換到指定說(shuō)話人的音色。
簡(jiǎn)而言之，只要用戶在語(yǔ)音輸入中輸入想說(shuō)的話，再選擇一個(gè)喜愛的角色，就會(huì)瞬間把聲音轉(zhuǎn)化成該角色的聲音，效果直逼柯南的“變聲領(lǐng)結(jié)”。
雖然效果實(shí)現(xiàn)起來(lái)一步到位，但背后技術(shù)實(shí)現(xiàn)并不簡(jiǎn)單。
搜狗知音的語(yǔ)音技術(shù)團(tuán)隊(duì)，克服了諸多難以想象的現(xiàn)實(shí)困難。
其中最核心的問題是，每一個(gè)人的音調(diào)、音色和語(yǔ)言節(jié)奏都不盡相同，正如同世上沒有兩片相同的樹葉一樣，世上也沒有兩個(gè)完全相同的說(shuō)話人。
如何將“千人千聲”通過技術(shù)處理，變?yōu)橥环N指定聲音，同時(shí)還不丟失原說(shuō)話人的語(yǔ)言習(xí)慣？
這不僅搜狗面臨的挑戰(zhàn)，也是國(guó)際上承認(rèn)的技術(shù)難題。
技術(shù)剖析
搜狗知音主要從語(yǔ)音表征學(xué)習(xí)、語(yǔ)音合成等領(lǐng)域的展開突破。
首先，搜狗知音團(tuán)隊(duì)使用表征學(xué)習(xí)技術(shù)，先學(xué)習(xí)到源端說(shuō)話人語(yǔ)音的音色、內(nèi)容和韻律三大特征。
其次，將學(xué)習(xí)到的源端說(shuō)話人音色特征替換成目標(biāo)說(shuō)話人。
最后，基于搜狗知音的端到端語(yǔ)音合成技術(shù)，使用內(nèi)容(源端)、韻律(源端)、音色(目標(biāo)端)三類特征合成最終變聲音頻，達(dá)到各個(gè)方位的相似和自然。
在表征學(xué)習(xí)上，對(duì)目標(biāo)音色語(yǔ)料進(jìn)行聲紋特征編碼，提取說(shuō)話人的音色embedding，再分別從輸入音頻中學(xué)習(xí)內(nèi)容和韻律embedding。
把“說(shuō)話人歸一化”模塊對(duì)內(nèi)容embedding進(jìn)行統(tǒng)一規(guī)整，去除音色信息。
通過對(duì)音頻特征的壓縮編碼及特征抽取，學(xué)習(xí)表征韻律的風(fēng)格特征。
然后基于表征學(xué)習(xí)得到的特征，通過Attention和Decoder模塊進(jìn)行加權(quán)特征編碼，并利用WaveRNN神經(jīng)網(wǎng)絡(luò)聲碼器恢復(fù)成波形，最終得到帶有目標(biāo)音色的音頻。
這樣一來(lái)，由源端音色到指定音色的轉(zhuǎn)化就變得輕易而精密了。
在以上技術(shù)原理的支持下，搜狗知音的“變聲”功能擁有三大功能亮點(diǎn)：
首先，還原度極高，變聲到指定角色的音色與該角色的原始音色十分相似，幾乎可以做到以假亂真。
其次，自由空間大，搜狗這一“變聲”功能對(duì)用戶本身的音色沒有任何限制，每個(gè)人均可變聲到預(yù)先指定的音色，真正具有“任意人變聲到同一人”的能力。
最后，搜狗知音打破了音色轉(zhuǎn)換的局限，將用戶輸入的語(yǔ)音內(nèi)容、語(yǔ)速、停頓、情感等均轉(zhuǎn)化為超高逼真度的指定角色聲音，因此可以達(dá)到更自然的變聲溝通。
目前，在搜狗知音“變聲”功能中可供選擇的角色橫跨互聯(lián)網(wǎng)、明星類、動(dòng)漫類等多個(gè)類別，有近20種聲音，包含周星馳、蠟筆小新、小豬佩奇等多個(gè)經(jīng)典的角色，甚至還收錄了搜狗CEO王小川的聲音。
在聊天過程中，用戶可以使用他們的聲音完成“變裝”，增添聊天過程中的趣味程度。
當(dāng)然，用戶一鍵使用最新技術(shù)的背后，也離不開工程師們的付出。
而且在類似的國(guó)際前沿的技術(shù)突破領(lǐng)域，中國(guó)AI公司正在用研究和論文打響名氣。
在搜狗知音團(tuán)隊(duì)此次最新技術(shù)發(fā)布前，搜狗還聯(lián)合清華天工研究院在5月17日的語(yǔ)音頂級(jí)峰會(huì)ICASSP 2019上，發(fā)布了關(guān)于“基于模態(tài)注意力的端到端音視覺語(yǔ)音識(shí)別”的學(xué)術(shù)論文。
全球AI華山論劍，中國(guó)創(chuàng)新正在 making different~
相關(guān)閱讀
靠「老板語(yǔ)音」騙走182萬(wàn)！音頻版Deepfake讓員工真假難辨乖乖轉(zhuǎn)賬，專家：目前無(wú)解
還學(xué)會(huì)了公司boss的德國(guó)口音
標(biāo)貝科技推出情感合成TTS 多情感、強(qiáng)表現(xiàn)力聲效讓交互更有溫度
5月28日，標(biāo)貝科技重磅推出情感合成方案，主打高音質(zhì)及高自然度的情感語(yǔ)音合成效果，滿足有聲閱讀、兒童教育、車載、泛娛樂等多場(chǎng)景使用。據(jù)悉，標(biāo)貝科技本次打造情感合成方案，是繼3月成功推出留聲機(jī)方案之后，推出的又一全新TTS解決方案，通過整體提高情感合成聲音效果，提升用戶的交互體驗(yàn)。
速度提升17.5倍！百度提出語(yǔ)音合成新模型，完全并行的TTS系統(tǒng)
這是一個(gè)完全卷積的結(jié)構(gòu)，可將文本轉(zhuǎn)換成梅爾頻譜圖
AI幫你讀懂科學(xué)！智譜·AI 聯(lián)合清華大學(xué)知識(shí)工程實(shí)驗(yàn)室和搜狗公司發(fā)布AI+學(xué)術(shù)搜索產(chǎn)品
以數(shù)據(jù)和知識(shí)為雙輪驅(qū)動(dòng)
