微软AzureAI又一里程碑NeuralTTS新模型呈现真人

　　IT之家1月27日消息，如何让AI语音有效模仿人类对话的丰富动态与情感，已成为全球研究者的共同挑战。据微软官方消息，就在不久前，微软AzureNeuralTTS（神经网络文本转语音）推出的新一代模型UniTTSv4在这一领域取得了里程碑式的重大突破。在2021国际语音合成大赛（BlizzardChallenge2021）的测试中，UniTTSv4的语音表现与通用数据集上的自然语音相比几乎没有明显差别，展现出足以叫板真人对话的实力。UniTTSv4的研究出发点是XYZ代码，它是三种认知属性的联合表示：单语文本（X），音频或视觉感官信号（Y），以及多语言（Z）。相关研究可参阅此链接。
　　耳听为实，微软官方还放出了几段TTS和真人对话的对比，一起来感受下新模型带来的逼真语音表现。
　　英语：Thevisualizationsofthevocalqualitycontinueinaquartetandoctet。
　　真人录音：
　　UniTTSv4：
　　英语：Likeothervisitors，heisabeliever。
　　真人录音：
　　UniTTSv4：
　　中文：另外，也要规避当前的地缘局势风险，等待合适的时机介入。
　　真人录音：
　　UniTTSv4：
　　用户可以在AzureTTS在线服务中使用自创文本来创建新的demo。目前UniTTSv4可支持TTS语言库中7个语种的8个语音，研发团队还将持续使用最新模型优化NeuralTTS已支持的其它语言以及自定义神经语音，以便能让用户通过AzureTTSAPI、MicrosoftOffice和Edgebrowser直接获得更出色的新一代TTS语音。
　　官方介绍，为了让TTS在以上两方面获得提升，UniTTSv4在声学建模中引入了两项重要更新，研究团队首先采用了一个带有transformer和卷积块的新架构，以更好地模拟声学模型中的局部和全局依赖关系；其次，从显性视角（身份ID、语种ID、音调、语速）和隐性视角（话语级和音素级韵律）系统地对变量信息进行建模。这些视角分别使用监督学习和无监督学习，确保端到端的音频具有足够自然的表现力。
　　IT之家了解到，作为微软Azure认知服务中的强大语音合成功能，NeuralTTS可用于帮助开发者将文本转换为真人一般的逼真自然语音，常被用于语音助手场景、文字朗读功能，及作为辅助性工具等等，同时也被整合到微软的EdgeReadAloud、ImmersiveReader和WordReadAloud等旗舰产品中，还被ATamp；T、Duolingo、Progressive等众多客户采用。NeuralTTS已拥有330多个音色，支持来自不同国家和地区的近130种语言或方言。用户和企业可以通过搜索AzureTTS进入产品网站，测试体验NeuralTTS的丰富预设语音，抑或录制并上传自己的样本，来创建独有的自定义语音。