微软语音合成技术升级编码器 效果以假乱真

微软日前发布新一代深度神经网络HiFiNet声码器,与微软上一代语音技术相比,由HiFiNet声码器合成的神经网络版声音质量再创新高,主要体现在发音更准确、韵律更自然、高保真效果更完美,更受客户青睐。自推出以来,被

  微软日前发布新一代深度神经网络HiFiNet声码器,与微软上一代语音技术相比,由HiFiNet声码器合成的神经网络版声音质量再创新高,主要体现在发音更准确、韵律更自然、高保真效果更完美,更受客户青睐。自推出以来,被广泛应用到有声读物、在线教育、车载语音助手等领域。

  HiFiNet是 微软 神经网络版语音合成技术中最新的声音编码器,是决定音频质量的关键因素。根据行业公认的、专业评估语音自然度的MOS测试结果显示,由HiFiNet声码器合成的语音音质可与用于训练的真人录音样本相媲美,并同时改善毛刺、噪音等音频质量问题,输出的音质具备更高保真度,更大程度还原真人录音。

  与微软上一代声码器相比,微软HiFiNet声码器合成的音质更高(见演示视频第1、2段声音)。

  语音质量的优劣会直接影响收听者的感受,为提升用户收听的舒适度,在Azure语音合成系统中,神经网络声学模型基于深度学习网络,使用真人录音作为原始数据进行迭代训练。首先,提取真人录音的声学特征。然后,利用真人录音的声学特征自动生成两组音频:一组真实声波(原始录音)和一组伪波(合成声波)。最后,由鉴别器区分真实声波和伪波。随着训练次数的增多,声波生成器也会愈发“聪明”,直至生成鉴别器也无法区分的伪波,这意味着机器合成的声音已经和原始录音相差无几,从而给用户带来更贴近自然的体验。

  由微软HiFiNet声码器合成的音频质量更接近真人原始录音(见演示视频第3、4段声音)

  HiFiNet声码器训练示意图

  采样率越高,声音还原越真实。Azure神经网络版语音合成声学模型默认每秒钟采样24,000次 (24千赫兹),为还原特殊场景中更为复杂、细微的声音内容,HiFiNet声码器每秒钟采样48,000次(48千赫兹),满足用户对语音质量的严格要求,让用户尽享高清语音体验。

  音频采样频率与保真度对比示意图

  除语音质量外,HiFiNet合成速度较之其他模型也有显著的提升,进一步提升了语音合成的实时率。据RTF(Real Time Factor,实时率,用来测量语音合成速度的工具)测试结果显示,HiFiNet在GPU设备上运行的速度是第一代高性能声码器的3倍,在CPU设备上运行的速度是第一代高性能声码器的2倍。

  目前,内置HiFiNet声码器的Azure认知服务神经网络版语音合成服务已支持超过70多个国家和地区的语言,提供超过170个自然逼真的音色供开发者选择。

  欲了解有关HiFiNet及语音合成的更多内容,请点击:关于 HiFiNet 、关于语音合成 试用版 、 更多资料 以及 示例代码 。

  【来源:cnBeta.COM】

原创文章,转载请注明: 转载自电脑组装网

本文链接地址: 微软语音合成技术升级编码器 效果以假乱真

原创文章:微软语音合成技术升级编码器 效果以假乱真, 如若转载,请注明出处:https://www.safeb.cn/484795.html

   

文章均为网络自动采集,如有不适,请联系296649600@qq.com删除

发表评论

邮箱地址不会被公开。