阿里公布新语音合成技术 录音10分钟即可定制专属“AI声音”

以往，我们了解到一些世界领先的语音合成技术，它们研发出来的“语音合成助手”软件可以完美的完成语音合成工作。而最近阿里也推出了一项新语音合成技术，录音10分钟即可定制专属“AI声音”。

7月10日，阿里巴巴发布新一代语音合成技术KAN-TTS，称可大幅提高合成语音与真人发声的相似度，并将语音合成定制成本降低10倍以上。该技术由达摩院机器智能实验室自主研发。

阿里方面称，当前业界商用系统的合成语音与原始音频录音的接近程度通常在85%-90%之间，而基于KAN-TTS技术的合成语音可将该数据提高到97%以上。

KAN-TTS深度融合了目前主流的端到端TTS技术和传统TTS技术，从多个方面改进了语音合成，有望通过图灵测试。阿里利用Multi-Speaker Model与Speaker-aware Advanced Transfer Learning相结合的方法，将语音合成定制成本降低10倍以上，周期压缩3倍以上。也就是说，用1小时有效录音数据和不到两个月制作周期，就能完成一次标准TTS定制。

此外，这使得普通用户定制“AI声音”的门槛更低。只需手机录音十分钟，就能获得与录制声音高度相似的合成语音。

基于KAN-TTS的语音合成技术现在已经向B端客户开放商用，它能基于5大场景（通用、客服、童声、英文和方言）、提供34种不同声音，而且能够让企业与个人定制其专属“AI声音”，该技术目前已经用在了高德地图、天猫精灵、夸克浏览器等应用中。

语音合成是通过机械的、电子的方法产生人造语音的技术。TTS技术（又称文语转换技术）隶属于语音合成，它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。

和语音合成一样，语音识别技术也是实现人机语音通信，建立一个有听和讲能力的口语系统所必需的关键技术，越来越多的公司和行业都在向这方面靠拢。2017年，全球的语音识别软件市场规模就已经达到11亿美元，随着AI等各种技术的成熟，对语音识别的市场需求也在逐年提升。预计到2025年，全球语音识别市场的整体规模将达到69亿美元。