7月10日下午消息,阿里巴巴發(fā)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(fā)聲的相似度,并將語音合成定制成本降低10倍以上。該技術由達摩院機器智能實驗室自主研發(fā)。
阿里方面稱,當前業(yè)界商用系統(tǒng)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,而基于KAN-TTS技術的合成語音可將該數(shù)據(jù)提高到97%以上。
據(jù)悉,KAN-TTS由達摩院機器智能實驗室自主研發(fā),深度融合了目前主流的端到端TTS技術和傳統(tǒng)TTS技術,從多個方面改進了語音合成。傳統(tǒng)語音合成定制需要10小時以上的數(shù)據(jù)錄制和標注,對錄音人和錄音環(huán)境要求很高。從啟動定制到最終交付,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,將語音合成定制成本降低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(shù)據(jù)和不到兩個月制作周期,就能完成一次標準TTS定制。
此外,這使得普通用戶定制“AI聲音”的門檻更低。只需手機錄音十分鐘,就能獲得與錄制聲音高度相似的合成語音。