11 月 17 日消息，微軟 Azure 神經(jīng)網(wǎng)絡(luò)文本轉(zhuǎn)語音服務(wù) (又稱“Neural TTS”，“智能語音合成”) 能幫助用戶將文本轉(zhuǎn)換為逼真的人工智能聲音，它適用于多種應(yīng)用場景，包括智能語音助手、客服對話機(jī)器人、有聲內(nèi)容朗讀、游戲角色語音等。在過去的幾個(gè)月中，微軟 Azure 智能語音合成技術(shù)在語音自然度、聲音豐富度和多語言支持等方面取得了快速進(jìn)展。

今天微軟官方為大家?guī)砹俗钚碌纳窠?jīng)網(wǎng)絡(luò)語音合成聲碼器 HiFiNet2 。

聲碼器是 TTS 中的關(guān)鍵組件之一，它基于輸入的文本或聲學(xué)特征來合成音頻樣本。目前，通過 HiFiNet2 聲碼器技術(shù)，微軟已經(jīng)將微軟 Azure 智能語音合成產(chǎn)品全面升級到 48kHz 聲音模型，進(jìn)一步為用戶帶來更高保真、高效率和可擴(kuò)展的 AI 語音音質(zhì)體驗(yàn)。這項(xiàng)更新包括 400 多個(gè)音色，覆蓋全球超過 140 個(gè)國家和地區(qū)的語言。

48kHz 語音模型

在文本轉(zhuǎn)語音技術(shù)中，音頻的保真度是用來衡量音質(zhì)的一項(xiàng)重要標(biāo)準(zhǔn)。高保真聲音不但可以給用戶傳達(dá)更豐富、更細(xì)膩的音質(zhì)，同時(shí)還可以將音色的失真和變形降至最低。隨著采樣率的提升，聽眾可以聽到更精準(zhǔn)的細(xì)節(jié)和更真實(shí)的音色。在視頻配音、游戲和唱歌等需要更精細(xì)、更沉浸的聲音體驗(yàn)的復(fù)雜場景中，更高保真度的輸出(如 48kHz 采樣率)將給用戶帶去前所未有的全新感官體驗(yàn)。

現(xiàn)在，隨著 Azure 深度神經(jīng)網(wǎng)絡(luò)語音合成服務(wù)將全平臺 AI 聲音升級到 48kHz 采樣率，微軟率先在業(yè)界為 AI 聲音用戶帶來真正高保真度的聲音體驗(yàn)。

關(guān)鍵詞： 微軟