雖然日常和你對話的 Siri 聲音機械，還常常胡亂斷句，但實際上，最新的技術進展顯示，AI 的語音合成能力已經可以說得上是以假亂真。

比如英偉達，最近就發布了一個更懂節奏、更具感情的語音合成 AI。

在英偉達的紀錄片中，她的自我介紹口齒清晰自不必說，氣息頓挫、情緒把控，播音員范兒絕對夠正。

幀級控制合成語音

英偉達將在 9 月 3 日的語音技術頂會 Interspeech 2021 上展示該項目的最新成果。

不過，其背后的技術，此前就已經幫助自家數字人在 SIGGRAPH Real-Time Live 上摘下了最佳展示獎。

核心是名為 RAD-TTS 的語音合成方法。

這是一個并行的端到端 TTS 模型。與此前的并行方法不同，RAD-TTS 將語音節奏作為一個單獨的生成分布來建模。如此，在推理過程中，語音的持續時間就能被更好地控制。

從 RAD-TTS 的演示界面中也可以看出，用戶可以在幀級別上控制合成語音的音調、持續時間和節奏力度。

研究人員還介紹，RAD-TTS 既可以將任意文本轉換成說話人的聲音，也可以將一個說話人的聲音(甚至是歌聲)轉換成另一個人的聲音。

也就是說，合成語音的制作人可以像指導配音演員一樣去“指導”AI，讓它學會哪個單詞應該重點突出、節奏如何把控更符合創作基調等等。

機器語音能有多真實?

其實，不只是英偉達，此前，小冰也發布過超級自然語音技術。

把一句人類的語音混進小冰的語音里，你能分辨到底哪一句來自真正的人類嗎?

不過，小冰公司 CEO 李笛此前曾表示，AI 的聲音太接近真人，就很有可能被濫用。因此小冰禁止為普通個人訓練聲音。

但這樣的技術，也正在通過電臺、便利店等更多商業場景，走進人們的日常生活。

參考鏈接：

[1] 論文地址：https://openreview.net/forum?id=0NQwnnwAORi

[2]https://blogs.nvidia.com/blog/2021/08/31/conversational-ai-research-speech-synthesis-interspeech/