微软发布最新智能语音合成模型 Uni-TTSv3：一音色多语言，高保真高效率

IT之家 11 月 16 日消息，日前，微软发布最新 Azure 神经网络语音合成技术 Uni-TTSv3 多语言语音合成模型。与上一代语音合成模型相比，Uni-TTSv3 语音合成保真度更高、速度更快、训练时间更短，更降本增效。借助 Uni-TTSv3，微软升级美语合成女声 Jenny。全新升级的 Jenny Multilingual Neural，拥有跨语言能力，支持 14 个国家和地区的语言。

IT之家获悉，此外，基于 Uni-TTSv3 而构建的深度神经网络定制语音服务，也扩展了跨语言定制服务功能，客户只需提供一个语言的录音数据作为语料，即可训练定制模型同时说多个语言。

Jenny Multilingual Neural 音频示例：

随着技术不断迭代，微软智能语音性能已能媲美真人，并支持超过 110 个国家和地区的语言，提供超过 270 个神经网络声音。为进一步拓宽语音使用场景，满足各行业客户的多元化需求，微软智能语音也在不断探索新的服务和能力：

• 跨语种语音技术需求：仅用一个音色就能生成同时覆盖全球用户的多语言应用需求，譬如在虚拟游戏中创建具有多语言能力的 NPC (Non-Player Character , 非玩家角色)，在智能客服等场景中使用多种语言与用户交谈，提升用户体验。

• 稳定高效的平台需求：使语音模型更加鲁棒（robust，系统稳定性），即使在定制服务场景中，也可以不受外界环境影响，稳定、高效的处理不同类型的训练数据。

新一代神经网络语音合成技术 Uni-TTSv3 的提出，旨在解决上述诉求并完善如下功能：

保真度高

Uni-TTSv3 是非自回归语音合成模型，基于 FastSpeech 2（快速高质量语音合成模型） 构建，通过直接使用真实语音进行训练，并引入更多有关语速、语调、重音模式等语音变化信息，提高合成语音质量。经行业公认的、专业评估语音自然度的 MOS（Mean Opinion Score 平均意见评分）评测结果显示，智能合成女声 Jenny Multilingual Neural 的各语种语音平均评分达到 4.2 分以上（总分 5 分），语音保真度高。

▲ Uni-TTSv3 模型结构图

多语言通用

Uni-TTSv3 是强大的多语言语音模型，在多语言和多说话人数据集上训练。Uni-TTSv3 通过训练来自 50 多个不同地域和口音的发音人在不同场景下录制的超过 3,000 个小时的语音数据，构建多语言通用基础语音模型，确保 AI 语音在语速、语调和重音模式等不变的情况下演绎多国语言。

训练时间更短

Uni-TTSv3 授权 Azure 语音合成平台和自定义神经语音支持多语种语音。借助 Uni-TTSv3 升级自定义神经语音训练管道，支持客户用更短的训练时间创建高质量的语音模型。与上一代语音合成模型相比，Uni-TTSv3 调优过程简单，尤其在声学训练部分，训练时间显著减少 50% 左右，更加降本增效。

▲ Uni-TTSv3 模型训练示意图

你可以点此链接试用体验 Uni-TTSv3 多语言语音合成模型，并使用微软 Azure 有声内容制作平台制作高质量合成语音。