微軟在Ignite會(huì)議上推出新的神經(jīng)文本-語音合成（TTS）利器！這項(xiàng)新服務(wù)生成的語音在節(jié)奏、語調(diào)和頓挫感上都幾乎和真人一樣，具備人類語音一樣的自然韻律和詞匯清晰度。目前該服務(wù)已經(jīng)發(fā)布預(yù)覽版，開發(fā)者可申請(qǐng)嘗鮮！

微軟在文本到語音合成方面達(dá)到了一個(gè)新的里程碑，利用深度神經(jīng)網(wǎng)絡(luò)，使計(jì)算機(jī)合成的聲音幾乎與真人的錄音無法區(qū)分。合成的聲音具備和人類語音一樣的自然韻律和明確的詞匯清晰度，用戶在與AI系統(tǒng)進(jìn)行交互時(shí)，可以顯著降低聽覺疲勞。

微軟技術(shù)院士、語音和語言團(tuán)隊(duì)負(fù)責(zé)人黃學(xué)東(Xuedong Huang)表示：

語音是推動(dòng)環(huán)境計(jì)算開發(fā)的新界面，因?yàn)?a href="http://www.delux-kingway.cn/tags/語音識(shí)別/" target="_blank">語音識(shí)別已經(jīng)改變了我們的日常生活，從數(shù)字化助理、電子郵件和文檔內(nèi)容的聽寫、再到記錄演講和會(huì)議內(nèi)容。由于微軟多年來在語音識(shí)別方面的研究，以及一直處于最前沿的神經(jīng)網(wǎng)絡(luò)技術(shù)的跨越式進(jìn)步，這些方案在今天仍然可行。

隨著微軟Azure GPU加速的虛擬機(jī)規(guī)模的不斷擴(kuò)展，如ND v2使用的8路互聯(lián)NVIDIA Tesla V100 GPU以及基于Skylake的處理器，我們有可能快速提高大規(guī)模語音識(shí)別模型的訓(xùn)練速度，為Cortana，Skype翻譯，Windows和Office提供支持。期待這些服務(wù)的發(fā)布！“

黃學(xué)東

新文本-語音合成服務(wù)已經(jīng)可預(yù)覽，開發(fā)者可嘗鮮

黃學(xué)東表示，微軟的團(tuán)隊(duì)本周在佛羅里達(dá)州奧蘭多舉行的Microsoft Ignite會(huì)議上展示了這個(gè)神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的文本到語音合成功能。該功能目前可通過Azure Cognitive Services語音服務(wù)進(jìn)行預(yù)覽。

該功能可以讓聊天機(jī)器人和虛擬助理的交互更自然、更具吸引力，比如將電子書等數(shù)字化文本轉(zhuǎn)換為有聲讀物，讓車載導(dǎo)航系統(tǒng)的功能更加強(qiáng)大等。

這項(xiàng)文本-語音轉(zhuǎn)換功能是微軟在過去兩年中取得的一系列突破之一，其他技術(shù)突破還包括在會(huì)話語音識(shí)別和機(jī)器翻譯中達(dá)到與人類大體相當(dāng)?shù)乃健?/p>

神經(jīng)文本到語音合成（TTS）：聲音和真人一樣

微軟此次發(fā)布的文本到語音合成技術(shù)，利用深度神經(jīng)網(wǎng)絡(luò)來克服傳統(tǒng)的文本到語音轉(zhuǎn)換系統(tǒng)的局限性，匹配口語中的語音頓挫和語調(diào)模式和韻律，并將語音單元合成為計(jì)算機(jī)語音。

傳統(tǒng)的文本到語音系統(tǒng)將韻律分解為單獨(dú)的語言分析和聲學(xué)預(yù)測，這些步驟分別由獨(dú)立模型控制。這可能導(dǎo)致合成后的語音結(jié)果過于低沉和嘈雜。微軟的系統(tǒng)能夠同時(shí)進(jìn)行韻律預(yù)測和語音合成，合成的聲音更加流暢自然。

利用微軟Azure的計(jì)算能力，該服務(wù)可以提供實(shí)時(shí)流，這對(duì)于與聊天機(jī)器人或虛擬助手進(jìn)行交互等場景是非常有用的。

微軟將在Azure Kubernetes服務(wù)中提供該功能。這可以確保了這一功能具備較高的高可擴(kuò)展性和可用性，讓客戶能夠從單個(gè)端點(diǎn)使用基于神經(jīng)網(wǎng)絡(luò)的文本到語音轉(zhuǎn)換和傳統(tǒng)的文本到語音轉(zhuǎn)換服務(wù)。

目前預(yù)覽版的服務(wù)提供兩種預(yù)先構(gòu)建的英語文本-語音轉(zhuǎn)換服務(wù)，有男女兩種聲音（Jessa和Guy）。未來即將推出更多語言，以及49種語言的定制服務(wù)，為希望構(gòu)建針對(duì)其特定需求而優(yōu)化語音的客戶提供定制化服務(wù)。

文本-語音轉(zhuǎn)換服務(wù)的典型應(yīng)用場景

提高可訪問性：文本-語音轉(zhuǎn)換技術(shù)使得內(nèi)容所有者和發(fā)布者能夠響應(yīng)人們與其內(nèi)容交互的不同方式。憑借該技術(shù)，視力有障礙或閱讀困難的人也能夠通過聽覺來消費(fèi)內(nèi)容。語音輸出還能使人們在上下班或鍛煉時(shí)更容易通過移動(dòng)設(shè)備上獲取文本內(nèi)容，比如報(bào)紙或博客。

多任務(wù)場景下的反應(yīng)：文本-語音轉(zhuǎn)換技術(shù)讓人們能夠在駕駛時(shí)、或不便閱讀的環(huán)境中快速舒適地吸收重要信息。該領(lǐng)域的常見應(yīng)用是導(dǎo)航服務(wù)。

增強(qiáng)多模式學(xué)習(xí)：不同的人有不同的最佳學(xué)習(xí)方式。在線學(xué)習(xí)專家發(fā)現(xiàn)，同時(shí)提供語音和文本有助于讓信息更加易于學(xué)習(xí)。

開發(fā)認(rèn)知機(jī)器人和助理：對(duì)話能力可能是智能聊天機(jī)器人或虛擬助手的重要組成部分。越來越多的公司正在開發(fā)聊天機(jī)器人，為客戶提供引人入勝的服務(wù)體驗(yàn)。該技術(shù)為聊天機(jī)器人和數(shù)字化助理的響應(yīng)方式增加了一個(gè)新的維度。