.hd-box .hd-fr

微软发布最新智能语音合成模型 Uni-TTSv3:一音色多语言,高保真高效率

2021-11-16 22:45IT之家(玄隐)14评

IT之家 11 月 16 日消息,日前,微软发布最新 Azure 神经网络语音合成技术 Uni-TTSv3 多语言语音合成模型。与上一代语音合成模型相比,Uni-TTSv3 语音合成保真度更高、速度更快、训练时间更短,更降本增效。借助 Uni-TTSv3,微软升级美语合成女声 Jenny。全新升级的 Jenny Multilingual Neural,拥有跨语言能力,支持 14 个国家和地区的语言。

IT之家获悉,此外,基于 Uni-TTSv3 而构建的深度神经网络定制语音服务,也扩展了跨语言定制服务功能,客户只需提供一个语言的录音数据作为语料,即可训练定制模型同时说多个语言。

Jenny Multilingual Neural 音频示例:

随着技术不断迭代,微软智能语音性能已能媲美真人,并支持超过 110 个国家和地区的语言,提供超过 270 个神经网络声音。为进一步拓宽语音使用场景,满足各行业客户的多元化需求,微软智能语音也在不断探索新的服务和能力:

新一代神经网络语音合成技术 Uni-TTSv3 的提出,旨在解决上述诉求并完善如下功能:

保真度高

Uni-TTSv3 是非自回归语音合成模型,基于 FastSpeech 2(快速高质量语音合成模型) 构建,通过直接使用真实语音进行训练,并引入更多有关语速、语调、重音模式等语音变化信息,提高合成语音质量。经行业公认的、专业评估语音自然度的 MOS(Mean Opinion Score 平均意见评分)评测结果显示,智能合成女声 Jenny Multilingual Neural 的各语种语音平均评分达到 4.2 分以上(总分 5 分),语音保真度高。

▲ Uni-TTSv3 模型结构图

多语言通用

Uni-TTSv3 是强大的多语言语音模型,在多语言和多说话人数据集上训练。Uni-TTSv3 通过训练来自 50 多个不同地域和口音的发音人在不同场景下录制的超过 3,000 个小时的语音数据,构建多语言通用基础语音模型,确保 AI 语音在语速、语调和重音模式等不变的情况下演绎多国语言。

训练时间更短

Uni-TTSv3 授权 Azure 语音合成平台和自定义神经语音支持多语种语音。借助 Uni-TTSv3 升级自定义神经语音训练管道,支持客户用更短的训练时间创建高质量的语音模型。与上一代语音合成模型相比,Uni-TTSv3 调优过程简单,尤其在声学训练部分,训练时间显著减少 50% 左右,更加降本增效。

▲ Uni-TTSv3 模型训练示意图

你可以点此链接试用体验 Uni-TTSv3 多语言语音合成模型,并使用微软 Azure 有声内容制作平台制作高质量合成语音。

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。

下载IT之家APP,分享赚金币换豪礼
相关文章
大家都在买广告
热门评论
查看更多评论