黄学东作者张倩 刘晓坤编译

微软Azure认知服务:TTS系统音频合成媲美人类

微软的「文本到语音(text-to-speech,TTS)」分析运行系统取得了里程碑式的突破,它可以使用深度神经网络让计算机合成的声音酷似人类录音,达到几乎无法分辨的地步。这一系统合成的语音拥有与人类类似的神经韵律和吐字发音。神经 TTS 可以在人类与 AI 系统交互时大大减轻听觉疲劳。

点开音频,你能听出哪个是微软合成的声音吗?

本周,微软的团队在佛罗里达州奥兰多的 Microsoft Ignite 会议上展示了神经网络驱动的「文本到语音」转换功能。这种功能目前可以通过 Azure 认知服务语音服务进行预览。

预览链接:https://azure.microsoft.com/en-us/services/cognitive-services/speech-services/

「神经文本到语音」转换可以让人与机器人或虚拟助手的互动更加自然、有吸引力。它将电子书等数字文本转换为有声书,还可以用于改进车内导航系统。

「文本到语音」转换取得的进展是微软团队在过去两年中取得的突破之一,他们的贡献还包括将会话语音识别机器翻译提升到可以与人类媲美的程度。

微软的「文本到语音」系统使用了深度神经网络,来克服传统「文本到语音」系统在匹配口语的重读和语调(称为韵律结构),以及将语音单元合成为计算机音频方面的局限性。

传统的「文本到语音」系统将韵律结构分解成由独立模型控制的语言分析和声学预测步骤。这将导致合成音频变得沉闷无趣。微软的「文本到语音」系统可以同时执行韵律预测和声音合成,其结果更加流畅自然。

通过使用 Azure 的算力,微软可以传送实时的语音流,有助于人与聊天机器人或虚拟助理交流。该功能由 Azure Kubernetes Service 提供服务,保证了很高的可扩展性和可用性,并给予用户在单个端点使用神经「文本到语音」以及传统的「文本到语音」服务的能力。

预览服务目前提供两个预构建的英文版「文本到语音」的助理——Jessa 和 Guy。微软很快会加入更多的语言,以及 49 种语言的定制服务(面向希望为特定需求构建品牌声音的客户)。


原文链接:https://azure.microsoft.com/en-us/blog/microsoft-s-new-neural-text-to-speech-service-helps-machines-speak-like-people/

工程TTS微软
2
相关数据
机器翻译技术

机器翻译(MT)是利用机器的力量「自动将一种自然语言(源语言)的文本翻译成另一种语言(目标语言)」。机器翻译方法通常可分成三大类:基于规则的机器翻译(RBMT)、统计机器翻译(SMT)和神经机器翻译(NMT)。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

聊天机器人技术

聊天机器人是经由对话或文字进行交谈的计算机程序。能够模拟人类对话,通过图灵测试。 聊天机器人可用于实用的目的,如客户服务或资讯获取。有些聊天机器人会搭载自然语言处理系统,但大多简单的系统只会撷取输入的关键字,再从数据库中找寻最合适的应答句。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

推荐文章
暂无评论
暂无评论~