阿里公布新語音技術 合成語音與真人發聲的相似度達 97% 以上

7 月 10 日，阿里巴巴發布新一代語音合成技術 KAN-TTS，稱可大幅提高合成語音與真人發聲的相似度，並將語音合成定製成本降低 10 倍以上。該技術由達摩院機器智能實驗室自主研發。阿里方面稱，當前業界商用系統的合成語音與原始音頻錄音的接近程度通常在 85% 到 90% 之間，而基於 KAN-TTS 技術的合成語音可將該數據提高到 97% 以上。

據悉，KAN-TTS 由達摩院機器智能實驗室自主研發，深度融合了目前主流的端到端 TTS 技術和傳統 TTS 技術，從多個方面改進了語音合成。傳統語音合成定製需要 10 小時以上的數據錄製和標註，對錄音人和錄音環境要求很高。從啟動定製到最終交付，項目周期長成本高。

阿里利用 Multi-Speaker Model 與 Speaker-aware Advanced Transfer Learning 相結合的方法，將語音合成定製成本降低 10 倍以上，周期壓縮 3 倍以上。也就是說，用 1 小時有效錄音數據和不到兩個月製作周期，就能完成一次標準 TTS 定製。

此外，這使得普通用戶定製 「AI 聲音」 的門檻更低。只需手機錄音十分鐘，就能獲得與錄製聲音高度相似的合成語音。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！