阿里公布新語(yǔ)音合成技術(shù) 錄音10分鐘定制AI語(yǔ)音

近日，阿里巴巴發(fā)布新一代語(yǔ)音合成技術(shù)KAN-TTS，稱(chēng)可大幅提高合成語(yǔ)音與真人發(fā)聲的相似度，并將語(yǔ)音合成定制成本降低10倍以上。該技術(shù)由達(dá)摩院機(jī)器智能實(shí)驗(yàn)室自主研發(fā)。

阿里方面稱(chēng)，當(dāng)前業(yè)界商用系統(tǒng)的合成語(yǔ)音與原始音頻錄音的接近程度通常在85%到90%之間，而基于KAN-TTS技術(shù)的合成語(yǔ)音可將該數(shù)據(jù)提高到97%以上。

據(jù)悉，KAN-TTS由達(dá)摩院機(jī)器智能實(shí)驗(yàn)室自主研發(fā)，深度融合了目前主流的端到端TTS技術(shù)和傳統(tǒng)TTS技術(shù)，從多個(gè)方面改進(jìn)了語(yǔ)音合成。傳統(tǒng)語(yǔ)音合成定制需要10小時(shí)以上的數(shù)據(jù)錄制和標(biāo)注，對(duì)錄音人和錄音環(huán)境要求很高。從啟動(dòng)定制到最終交付，項(xiàng)目周期長(zhǎng)成本高。

阿里利用Multi-Speaker Model與Speaker-aware Advanced Transfer Learning相結(jié)合的方法，將語(yǔ)音合成定制成本降低10倍以上，周期壓縮3倍以上。也就是說(shuō)，用1小時(shí)有效錄音數(shù)據(jù)和不到兩個(gè)月制作周期，就能完成一次標(biāo)準(zhǔn)TTS定制。

此外，這使得普通用戶(hù)定制“AI聲音”的門(mén)檻更低。只需手機(jī)錄音十分鐘，就能獲得與錄制聲音高度相似的合成語(yǔ)音。