智能制造網(wǎng)APP
智能制造網(wǎng)手機(jī)站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號
智能控制
機(jī)器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
品牌
微軟日前發(fā)布新一代深度神經(jīng)網(wǎng)絡(luò)HiFiNet聲碼器，與微軟上一代語音技術(shù)相比，由HiFiNet聲碼器合成的神經(jīng)網(wǎng)絡(luò)版聲音質(zhì)量再創(chuàng)新高，主要體現(xiàn)在發(fā)音更準(zhǔn)確、韻律更自然、高保真效果更好，更受客戶青睞。自推出以來，被廣泛應(yīng)用到有聲讀物、在線教育、車載語音助手等領(lǐng)域。
HiFiNet是微軟神經(jīng)網(wǎng)絡(luò)版語音合成技術(shù)中新的聲音編碼器，是決定音頻質(zhì)量的關(guān)鍵因素。根據(jù)行業(yè)公認(rèn)的、專業(yè)評估語音自然度的MOS測試結(jié)果顯示，由HiFiNet聲碼器合成的語音音質(zhì)可與用于訓(xùn)練的真人錄音樣本相媲美，并同時改善毛刺、噪音等音頻質(zhì)量問題，輸出的音質(zhì)具備更高保真度，更大程度還原真人錄音。
與微軟上一代聲碼器相比，微軟HiFiNet聲碼器合成的音質(zhì)更高。語音質(zhì)量的優(yōu)劣會直接影響收聽者的感受，為提升用戶收聽的舒適度，在Azure語音合成系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)聲學(xué)模型基于深度學(xué)習(xí)網(wǎng)絡(luò)，使用真人錄音作為原始數(shù)據(jù)進(jìn)行迭代訓(xùn)練。首先，提取真人錄音的聲學(xué)特征。然后，利用真人錄音的聲學(xué)特征自動生成兩組音頻：一組真實聲波(原始錄音)和一組偽波(合成聲波)。最后，由鑒別器區(qū)分真實聲波和偽波。隨著訓(xùn)練次數(shù)的增多，聲波生成器也會愈發(fā)“聰明”，直至生成鑒別器也無法區(qū)分的偽波，這意味著機(jī)器合成的聲音已經(jīng)和原始錄音相差無幾，從而給用戶帶來更貼近自然的體驗。
采樣率越高，聲音還原越真實。Azure神經(jīng)網(wǎng)絡(luò)版語音合成聲學(xué)模型默認(rèn)每秒鐘采樣24,000次 (24千赫茲)，為還原特殊場景中更為復(fù)雜、細(xì)微的聲音內(nèi)容，HiFiNet聲碼器每秒鐘采樣48,000次(48千赫茲)，滿足用戶對語音質(zhì)量的嚴(yán)格要求，讓用戶盡享高清語音體驗。
除語音質(zhì)量外，HiFiNet合成速度較之其他模型也有顯著的提升，進(jìn)一步提升了語音合成的實時率。據(jù)RTF(Real Time Factor，實時率，用來測量語音合成速度的工具)測試結(jié)果顯示，HiFiNet在GPU設(shè)備上運(yùn)行的速度是第一代高性能聲碼器的3倍，在CPU設(shè)備上運(yùn)行的速度是第一代高性能聲碼器的2倍。
目前，內(nèi)置HiFiNet聲碼器的Azure認(rèn)知服務(wù)神經(jīng)網(wǎng)絡(luò)版語音合成服務(wù)已支持超過70多個國家和地區(qū)的語言，提供超過170個自然逼真的音色供開發(fā)者選擇。
(原標(biāo)題：微軟語音合成技術(shù)升級編碼器 效果以假亂真)
浙公網(wǎng)安備 33010602000006號
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號
