MOS評(píng)分高達(dá)4.64！火山語音TTS技術(shù)實(shí)力獲國(guó)檢中心認(rèn)證

量子位的朋友們 2022-10-26 10:01:15 來源：量子位

日前，火山引擎語音合成產(chǎn)品獲得國(guó)家語音及圖像識(shí)別產(chǎn)品質(zhì)量檢驗(yàn)檢測(cè)中心（以下簡(jiǎn)稱“AI國(guó)檢中心”）頒發(fā)的語音合成增強(qiáng)級(jí)檢驗(yàn)檢測(cè)證書，在語音合成的基本要求以及擴(kuò)展要求上已達(dá)AI國(guó)檢中心的最高等級(jí)標(biāo)準(zhǔn)。本次評(píng)測(cè)從中文普通話、多方言、多語種、混合語種、多音色、個(gè)性化等維度進(jìn)行評(píng)測(cè)，產(chǎn)品的技術(shù)支持團(tuán)隊(duì)-火山語音團(tuán)隊(duì)提供了豐富的音庫，經(jīng)評(píng)測(cè)其音色MOS評(píng)分最高可達(dá)4.64分，處行業(yè)領(lǐng)先水平。

作為我國(guó)質(zhì)檢系統(tǒng)在人工智能領(lǐng)域的首家、也是唯一的國(guó)家級(jí)語音及圖像產(chǎn)品質(zhì)量檢驗(yàn)檢測(cè)機(jī)構(gòu)，AI 國(guó)檢中心一直致力于推動(dòng)智能語音產(chǎn)業(yè)的健康發(fā)展。本次獲得AI國(guó)檢中心的權(quán)威認(rèn)證，也充分表明了火山語音的語音合成技術(shù)能力已達(dá)到行業(yè)領(lǐng)先水平。一起感受下火山語音合成的效果：

更多音色體驗(yàn)：
https://www.volcengine.com/product/tts

長(zhǎng)期以來，火山語音面向字節(jié)跳動(dòng)各大業(yè)務(wù)線以及火山引擎ToB行業(yè)與創(chuàng)新場(chǎng)景，提供行業(yè)領(lǐng)先的AI語音技術(shù)能力以及卓越的全棧語音產(chǎn)品解決方案。目前團(tuán)隊(duì)的語音識(shí)別和語音合成覆蓋了多種語言和方言，涵蓋音視頻、有聲閱讀、語音交互、游戲、廣告等多種應(yīng)用場(chǎng)景，為抖音、剪映、飛書、番茄小說、Pico等核心業(yè)務(wù)提供了領(lǐng)先的語音能力。

據(jù)了解，本次參評(píng)的火山引擎語音合成產(chǎn)品為火山語音團(tuán)隊(duì)自主研發(fā)，使用了業(yè)內(nèi)領(lǐng)先的生成式神經(jīng)網(wǎng)絡(luò)技術(shù)，主要由前端文本分析、聲學(xué)模型、聲碼器三大模塊構(gòu)成，具體介紹如下：

? 前端文本分析：主要負(fù)責(zé)可懂度，比如文本正則化（例如將數(shù)字轉(zhuǎn)成年份讀、號(hào)碼讀等）、字音轉(zhuǎn)換（例如中文注音，尤其是解決多音字問題）以及分詞和韻律預(yù)測(cè)等。目前火山語音團(tuán)隊(duì)依托多任務(wù)模型及神經(jīng)網(wǎng)絡(luò)正則化，可做到同時(shí)支持12種主流小語種，效果顯著。

? 聲學(xué)模型：主要負(fù)責(zé)語言學(xué)特征到聲學(xué)特征的建模。數(shù)據(jù)顯示，火山語音TTS的后端準(zhǔn)確率可達(dá)到99.90%。與此同時(shí)，模型還能支持多情感多風(fēng)格的精細(xì)化控制、不同音色之間的風(fēng)格互相遷移、以及僅用單一語種的訓(xùn)練數(shù)據(jù)實(shí)現(xiàn)多語種合成效果。

? 聲碼器模塊：主要負(fù)責(zé)聲學(xué)特征到音頻信號(hào)的建模。如今火山語音團(tuán)隊(duì)自研了基于對(duì)抗神經(jīng)網(wǎng)絡(luò)建模的聲碼器，其準(zhǔn)確率可達(dá)99.95%，依托于輕量化的模型設(shè)計(jì)及工程優(yōu)化，云端實(shí)時(shí)率可達(dá)百倍以上。

火山引擎語音合成產(chǎn)品聽感真實(shí)自然、演繹生動(dòng)、風(fēng)格多樣，同時(shí)細(xì)粒度還原了真人韻律，實(shí)現(xiàn)了笑聲等多種副語言現(xiàn)象，給人帶來沉浸式的聽感體驗(yàn)。近期火山語音團(tuán)隊(duì)發(fā)布的超自然對(duì)話語音合成技術(shù)既是如此，相較傳統(tǒng)TTS將語氣詞、吸氣聲、猶豫時(shí)的停頓以及字音拖長(zhǎng)等細(xì)節(jié)統(tǒng)統(tǒng)完美復(fù)現(xiàn)，而且只需常規(guī)音庫1/4數(shù)據(jù)。 此外之前風(fēng)靡網(wǎng)絡(luò)的“音色復(fù)刻技術(shù)”，也出自火山語音團(tuán)隊(duì)之手。 不同于傳統(tǒng)語音合成技術(shù)對(duì)于數(shù)據(jù)的高門檻要求，火山語音音色復(fù)刻技術(shù)對(duì)數(shù)據(jù)量的需求僅為傳統(tǒng)方法的0.3%，普通人在相對(duì)安靜的開放環(huán)境錄制2分鐘以上即可達(dá)到音色空間建模的標(biāo)準(zhǔn)，生成專屬音色的AI模型，便捷又高效。

目前火山語音將打磨多年的語音技術(shù)能力面向市場(chǎng)并通過火山引擎開放給外部企業(yè)，已覆蓋汽車、金融、有聲閱讀、視頻配音等眾多應(yīng)用場(chǎng)景，并助力如合眾汽車、追書神器等多家行業(yè)頭部企業(yè)實(shí)現(xiàn)AI 語音能力的應(yīng)用與拓展，未來火山語音將不斷探索前沿科技與業(yè)務(wù)場(chǎng)景的高效結(jié)合，持續(xù)為用戶體驗(yàn)和業(yè)務(wù)增長(zhǎng)注入創(chuàng)新勢(shì)能，以實(shí)現(xiàn)更大價(jià)值。