雖然日常和你對話的 Siri 聲音機(jī)械，還常常胡亂斷句，但實際上，最新的技術(shù)進(jìn)展顯示，AI 的語音合成能力已經(jīng)可以說得上是以假亂真。
比如英偉達(dá)，最近就發(fā)布了一個更懂節(jié)奏、更具感情的語音合成 AI。
在英偉達(dá)的紀(jì)錄片中，她的自我介紹口齒清晰自不必說，氣息頓挫、情緒把控，播音員范兒絕對夠正。
幀級控制合成語音
英偉達(dá)將在 9 月 3 日的語音技術(shù)頂會 Interspeech 2021 上展示該項目的最新成果。
不過，其背后的技術(shù)，此前就已經(jīng)幫助自家數(shù)字人在 SIGGRAPH Real-Time Live 上摘下了最佳展示獎。
核心是名為 RAD-TTS 的語音合成方法。
這是一個并行的端到端 TTS 模型。與此前的并行方法不同，RAD-TTS 將語音節(jié)奏作為一個單獨(dú)的生成分布來建模。如此，在推理過程中，語音的持續(xù)時間就能被更好地控制。
從 RAD-TTS 的演示界面中也可以看出，用戶可以在幀級別上控制合成語音的音調(diào)、持續(xù)時間和節(jié)奏力度。
研究人員還介紹，RAD-TTS 既可以將任意文本轉(zhuǎn)換成說話人的聲音，也可以將一個說話人的聲音(甚至是歌聲)轉(zhuǎn)換成另一個人的聲音。
也就是說，合成語音的制作人可以像指導(dǎo)配音演員一樣去“指導(dǎo)”AI，讓它學(xué)會哪個單詞應(yīng)該重點突出、節(jié)奏如何把控更符合創(chuàng)作基調(diào)等等。
機(jī)器語音能有多真實?
其實，不只是英偉達(dá)，此前，小冰也發(fā)布過超級自然語音技術(shù)。
把一句人類的語音混進(jìn)小冰的語音里，你能分辨到底哪一句來自真正的人類嗎?
不過，小冰公司 CEO 李笛此前曾表示，AI 的聲音太接近真人，就很有可能被濫用。因此小冰禁止為普通個人訓(xùn)練聲音。
但這樣的技術(shù)，也正在通過電臺、便利店等更多商業(yè)場景，走進(jìn)人們的日常生活。
參考鏈接：
[1] 論文地址：https://openreview.net/forum?id=0NQwnnwAORi
[2]https://blogs.nvidia.com/blog/2021/08/31/conversational-ai-research-speech-synthesis-interspeech/
