IT之家 1 月 27 日消息 ， 如何让 AI 语音有效模仿人类对话的丰富动态与情感 ， 已成为全球研究者的共同挑战 。 据微软官方消息 ， 就在不久前 ， 微软 Azure Neural TTS（神经网络文本转语音）推出的新一代模型“Uni-TTS v4”在这一领域取得了里程碑式的重大突破 。 在“2021 国际语音合成大赛（Blizzard Challenge 2021）”的测试中 ， Uni-TTS v4 的语音表现与通用数据集上的自然语音相比几乎没有明显差别 ， 展现出足以“叫板”真人对话的实力 。

文章图片

“耳听”为实 ， 微软官方还放出了几段 TTS 和真人对话的对比 ， 一起来感受下新模型带来的逼真语音表现 。
英语：The visualizations of the vocal quality continue in a quartet and octet.
【微软 Neural TTS 新模型呈现真人般情感饱满的 AI 语音】真人录音:
Uni-TTS v4:
英语：Like other visitors, he is a believer.
真人录音:
Uni-TTS v4:
中文：另外 ， 也要规避当前的地缘局势风险 ， 等待合适的时机介入 。
真人录音:
Uni-TTS v4:
用户可以在 Azure TTS 在线服务中使用自创文本来创建新的 demo 。 目前 Uni-TTS v4 可支持 TTS 语言库中 7 个语种的 8 个语音 ， 研发团队还将持续使用最新模型优化 Neural TTS 已支持的其它语言以及自定义神经语音 ， 以便能让用户通过 Azure TTS API、?Microsoft Office 和 Edge browser 直接获得更出色的新一代 TTS 语音 。
官方介绍 ， 为了让 TTS 在以上两方面获得提升 ， Uni-TTS v4 在声学建模中引入了两项重要更新 ， 研究团队首先采用了一个带有 transformer 和卷积块的新架构 ， 以更好地模拟声学模型中的局部和全局依赖关系；其次 ， 从显性视角（身份 ID、语种 ID、音调、语速）和隐性视角（话语级和音素级韵律）系统地对变量信息进行建模 。 这些视角分别使用监督学习和无监督学习 ， 确保端到端的音频具有足够自然的表现力 。
IT之家了解到 ， 作为微软 Azure 认知服务中的强大语音合成功能 ， Neural TTS 可用于帮助开发者将文本转换为真人一般的逼真自然语音 ， 常被用于语音助手场景、文字朗读功能 ， 及作为辅助性工具等等 ， 同时也被整合到微软的 Edge Read Aloud、Immersive Reader 和 Word Read Aloud 等旗舰产品中 ， 还被 AT&T、Duolingo、Progressive 等众多客户采用 。 Neural TTS 已拥有 330 多个音色 ， 支持来自不同国家和地区的近 130 种语言或方言 。 用户和企业可以通过搜索“Azure TTS”进入产品网站 ， 测试体验 Neural TTS 的丰富预设语音 ， 抑或录制并上传自己的样本 ， 来创建独有的自定义语音 。