虽然日常和你对话的 Siri 声音机械，还常常胡乱断句，但实际上，最新的技术进展显示，AI 的语音合成能力已经可以说得上是以假乱真。比如英伟达，最近就发布了一个更懂节奏、更具感情的语音合成 AI。在英伟达的纪录片中，她的自我介绍口齿清晰自不必说，气息顿挫、情绪把控，播音员范儿绝对够正。帧级控制合成语音英伟达将在 9 月 3 日的语音技术顶会 Interspeech 2021 上展示该项目的最新成果。不过，其背后的技术，此前就已经帮助自家数字人在 SIGGRAPH Real-Time Live 上摘下了最佳展示奖。核心是名为 RAD-TTS 的语音合成方法。这是一个并行的端到端 TTS 模型。与此前的并行方法不同，RAD-TTS 将语音节奏作为一个单独的生成分布来建模。如此，在推理过程中，语音的持续时间就能被更好地控制。从 RAD-TTS 的演示界面中也可以看出，用户可以在帧级别上控制合成语音的音调、持续时间和节奏力度。研究人员还介绍，RAD-TTS 既可以将任意文本转换成说话人的声音，也可以将一个说话人的声音（甚至是歌声）转换成另一个人的声音。也就是说，合成语音的制作人可以像指导配音演员一样去“指导”AI，让它学会哪个单词应该重点突出、节奏如何把控更符合创作基调等等。机器语音能有多真实？其实，不只是英伟达，此前，小冰也发布过超级自然语音技术。把一句人类的语音混进小冰的语音里，你能分辨到底哪一句来自真正的人类吗？不过，小冰公司 CEO 李笛此前曾表示，AI 的声音太接近真人，就很有可能被滥用。因此小冰禁止为普通个人训练声音。但这样的技术，也正在通过电台、便利店等更多商业场景，走进人们的日常生活。参考链接：[1] 论文地址：https://openreview.net/forum?id=0NQwnnwAORi[2]https://blogs.nvidia.com/blog/2021/08/31/conversational-ai-research-speech-synthesis-interspeech/