0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

微软深度神经网络:基于Azure云的端到端语音合成系统

ss 来源:智能相对论 作者:智能相对论 2020-12-01 11:05 次阅读

以往,谈及对合成语音的刻板印象,很多人会联想到《星球大战》中的C-3PO——那个有着近似人类外形金光闪闪的家伙,它是整个系列影片中毫无争议的搞笑担当,其动作僵硬而滑稽,说起话来喋喋不休,声音中混杂着轻微的交流声和金属质感的回声。直到今天,它那独特的嗓音,仍然是很多科幻片中人工智能发声的模板。

第一部《星球大战》公映于1977年,彼时,个人电脑才刚刚走出实验室,人们对于人工智能的想象力仍受限于时代。去年,该系列推出了最后一部作品《星球大战:天行者崛起》,C-3PO的声音还是人们熟悉的老样子。而现实中,智能语音技术飞速发展,取而代之的是听感越来越趋于自然、逼真的“合成人声”,让越来越多的企业于实现了与客户的多模态互动。

合成人声的用途相当广泛,我们熟知的便是手机中的语音助手,用户可通过简单的人机对话,获知天气、路况等实时信息,也可命令手机完成拨号、查询等任务。这一类应用被称作实时语音合成,它对基于云的计算力提出了很高的要求,除了需要对声音的自然度不断地进行优化外,实时合成对于语音合成引擎和平台架构也都有着极高的要求,必须保障在极低的延迟下,提供准确、稳定、自然的声音内容。另一类常见的应用是利用人工智能语音合成有声内容,这类应用通常会在语音服务端进行非实时的批量合成,然后再将有声内容文件提供给用户。有声内容合成的主要挑战在于如何通过多种角色扮演和丰富情感表达,降低听众单向接收有声内容的听觉疲劳。

以往,有声书需要由专业朗诵者来录制,制作周期长达数月且成本高昂。如今,通过智能合成语音录制有声书,制作周期可缩短至几小时,甚至是几分钟。即便在需要人工干预校对和声音编辑的情况下,制作周期也可缩短至数周,节省了大量的人力、物力及时间成本,且得到的效果几乎与真人朗诵别无二致。今年的“世界读书日”,由周迅与公益组织红丹丹联合发起的为视障人士读书活动,向我们展示了语音合成技术的新高度。在此之前,创建一个高质量的语音合成模型需要以大量真人原声为样本进行机器学习,样本量通常会超过10小时或10000句。而这次公益活动的主办方采用了由微软最新开发的深度神经网络语音合成定制系统,只采集了半小时大约500句的周迅原声录音,便通过深度定制的语音模型,惟妙惟肖地复原了周迅的声音。

这里所说的“复原”不只是周迅颇具特色的声线,也包括周迅在朗读时的语气、情绪、语调、抑扬顿挫等。可以想象,随着这一技术的普及,有声书行业也将随之发生巨大的改变。微软将在国际残疾人日捐赠的100小时有声书籍正昭示着这种改变的开始。

微软深度神经网络是基于Azure云的端到端语音合成系统,由前端、声学模型和声码器三部分组成。前端主要解决基于语义理解的文本发音问题,比如“2020”在表示年份和数字时的读法不一样,这是上下文关联问题;再比如“堡”字,用于地名时应读作“铺”,“解”用在姓氏上应读作“谢”,这都是多音字问题;还有“一会儿”这类词,不能读成三个字,后两个字应合并为儿化音,这是语言习惯问题。声学模型负责为语音赋予韵律,比如语速、语调、停顿、重音和情绪变化等。最后一部分声码器负责还原语音的声学特征,也就是一般所说的嗓音或声线,如振幅、频率、波长等。

深度神经网络模型是当前最先进的语音合成技术,但相应的主流产品在合成效率、效果,以及所需声音样本量上,却存在很大差异。以样本量为例,微软的语音合成定制技术处于行业领先地位,一般情况下,只需要不超过2000句的内容,就可以做到非常逼真的还原。那么,在周迅的案例中,是如何做到只需500句甚至更少的声音素材就达到类似效果呢?微软还有一个“杀器”——通用模型。通用模型是在对海量语料库进行大数据分析的基础上,不断训练深度神经网络去学习人类语言与发声特征后得到的。目前微软通用语料库的容量已经超过3000小时,覆盖了50多个语种,通过它提炼出来的通用模型已经熟练掌握了这50多种语言的几乎全部发声规律,甚至包括真人说话时换气和咽口水的细节都可以模仿出来。当微软需要基于像周迅这样只有500句话甚至更少内容的语料库做语音定制时,便可以在通用模型基础上,通过迁移学习法来建立周迅声音的扩展模型。

目前,微软的语音合成定制系统只需要半小时左右的声音样本便可建立定制语音模型,与传统TTS建模所需的至少10小时或10000句的声音样本量相比,是一个从量到质的飞跃。这一飞跃使得面向更多的企业甚至于普通消费者的个人声音定制成为可能。

微软之所以能在语音合成领域保持领先地位,主要得益于其20多年来在算法和定制模型上所积累的深厚功力。自从1991年微软研究院成立以来,微软一直将语音作为主要的研究领域,储备、积累了大量的人工智能相关技术。2018年9月,微软率先开始测试基于深度神经网络的端到端语音合成系统,为人工智能语音技术的发展揭开了新的一页。

前不久,微软将其定制的通用中文发声与市场上的主流产品进行了盲测对比,微软的MOS得分(5分制)为4.35,居于领先地位,表明合成语音与真人声音已经非常接近(真人的MOS得分为4.41)。

除了语音助手和有声书籍录制外,语音合成技术还广泛应用于智能语音客服领域,这也是微软目前在to B领域的主要发力点,比如很多航空公司、电商平台、电信运营商等都在尝试使用微软的智能语音客服来缓解人工压力。智能语音客服可以解决很多常见的标准化问题,减少客户的等待时间,为客户带来更好的服务体验。在应对突发事件方面,智能语音客服更有得天独厚的优势,很多突发事件都会造成客户咨询量在短时间内爆发式增长,在这种情况下,企业如果增设人工客服,一方面可能在时间上来不及,另一方面仓促上岗也可能导致服务质量的难以保证。

目前,微软为企业定制智能语音客服大致需要300至2000句语料训练,以满足特定应用场景的需求;对于需要定制适用于多场景、富有多种情绪甚至涵盖多语种的品牌声音的企业而言,语料训练则有更高要求。

上述两种定制目前都会有人工参与测试和适当调校并向客户提供灵活的接入方式,即通过APISDK接入微软的Azure公有云,实现端到端的实时合成。如果客户有特殊需求,产品也可部署在私有云甚至离线设备中。未来,这两种系统都将实现自动化定制。实际上,微软已经邀请合作伙伴开始小范围的自动化系统测试,可能在不久的将来正式发布此系列产品。

可以预期,伴随着相关技术的发展,智能语音在个人及商业领域中的应用场景将更加丰富,不断细分的合成语音服务也会给我们带来更多的体验和惊喜。同时,微软提出了人工智能六项伦理道德准则:公平、可靠和安全、隐私和保证、包容、透明和责任。倡导负责任的人工智能。这些原则将为人工智能的发展保驾护航,予力全球每一人、每一组织,成就不凡!

责任编辑:xj

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 神经网络
    +关注

    关注

    42

    文章

    4733

    浏览量

    100410
  • AI
    AI
    +关注

    关注

    87

    文章

    29744

    浏览量

    268043
  • 智能语音
    +关注

    关注

    10

    文章

    773

    浏览量

    48679
收藏 人收藏

    评论

    相关推荐

    FPGA在深度神经网络中的应用

    随着人工智能技术的飞速发展,深度神经网络(Deep Neural Network, DNN)作为其核心算法之一,在图像识别、语音识别、自然语言处理等领域取得了显著成果。然而,传统的深度
    的头像 发表于 07-24 10:42 518次阅读

    深度神经网络在雷达系统中的应用

    深度神经网络(Deep Neural Networks,DNN)在雷达系统中的应用近年来取得了显著进展,为雷达信号处理、目标检测、跟踪以及识别等领域带来了革命性的变化。以下将详细探讨深度
    的头像 发表于 07-15 11:09 548次阅读

    残差网络深度神经网络

    残差网络(Residual Network,通常简称为ResNet) 是深度神经网络的一种 ,其独特的结构设计在解决深层网络训练中的梯度消失和梯度爆炸问题上取得了显著的突破,并因此成为
    的头像 发表于 07-11 18:13 928次阅读

    循环神经网络语音识别中的应用

    语音识别技术作为人工智能领域的关键应用之一,已经深刻地改变了人们的日常生活和工作方式。从智能手机中的语音助手到智能家居系统语音控制,语音
    的头像 发表于 07-08 11:09 469次阅读

    递归神经网络是循环神经网络

    。 递归神经网络的概念 递归神经网络是一种具有短期记忆功能的神经网络,它能够处理序列数据,如时间序列、文本、语音等。与传统的前馈神经网络不同
    的头像 发表于 07-04 14:54 589次阅读

    深度神经网络与基本神经网络的区别

    在探讨深度神经网络(Deep Neural Networks, DNNs)与基本神经网络(通常指传统神经网络或前向神经网络)的区别时,我们需
    的头像 发表于 07-04 13:20 553次阅读

    bp神经网络深度神经网络

    BP神经网络(Backpropagation Neural Network)是一种常见的前馈神经网络,它使用反向传播算法来训练网络。虽然BP神经网络在某些方面与
    的头像 发表于 07-03 10:14 571次阅读

    深度学习与卷积神经网络的应用

    随着人工智能技术的飞速发展,深度学习和卷积神经网络(Convolutional Neural Network, CNN)作为其中的重要分支,已经在多个领域取得了显著的应用成果。从图像识别、语音识别
    的头像 发表于 07-02 18:19 738次阅读

    卷积神经网络的原理是什么

    卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,广泛应用于图像识别、语音识别、自然语言处理等领域。本文将详细介绍卷积神经网络的原
    的头像 发表于 07-02 14:44 516次阅读

    深度神经网络模型有哪些

    深度神经网络(Deep Neural Networks,DNNs)是一类具有多个隐藏层的神经网络,它们在许多领域取得了显著的成功,如计算机视觉、自然语言处理、语音识别等。以下是一些常见
    的头像 发表于 07-02 10:00 1035次阅读

    神经网络架构有哪些

    神经网络架构是机器学习领域中的核心组成部分,它们模仿了生物神经网络的运作方式,通过复杂的网络结构实现信息的处理、存储和传递。随着深度学习技术的不断发展,各种
    的头像 发表于 07-01 14:16 550次阅读

    利用深度循环神经网络对心电图降噪

    曼滤波。因此,通过这种方式训 练网络,无法获得比卡尔曼滤波本身更好的 性能。本文介绍了一种利用深度递归神经网络 (DRNN)对 ECG 信号进行降噪的新方 法。该网络使用两个
    发表于 05-15 14:42

    助听器降噪神经网络模型

    抑制任务是语音增强领域的一个重要学科, 随着深度神经网络的兴起,提出了几种基于深度模型的音频处理新方法[1,2,3,4]。然而,这些通常是为离线处理而开发的,不需要考虑实时性。当使用
    发表于 05-11 17:15

    特斯拉FSD V12.3测试版软件升级:采用神经网络,提高安全性

    值得注意的是,这款FSD v12新增了被马斯克盛赞为“革命性”的“神经网络”技术,表示驾车行为已不再依赖人工编写的代码,全部由神经网络驱动;特斯拉方面甚至声称,这项技术在安全性能
    的头像 发表于 03-13 14:16 989次阅读

    详解深度学习、神经网络与卷积神经网络的应用

    在如今的网络时代,错综复杂的大数据和网络环境,让传统信息处理理论、人工智能与人工神经网络都面临巨大的挑战。近些年,深度学习逐渐走进人们的视线,通过
    的头像 发表于 01-11 10:51 1824次阅读
    详解<b class='flag-5'>深度</b>学习、<b class='flag-5'>神经网络</b>与卷积<b class='flag-5'>神经网络</b>的应用