日前，微軟發布最新 Azure 神經網絡語音合成技術Uni-TTSv3多語言語音合成模型。與上一代語音合成模型相比，Uni-TTSv3語音合成保真度更高、速度更快、訓練時間更短，更降本增效。借助Uni-TTSv3，微軟升級美語合成女聲 Jenny。全新升級的Jenny Multilingual Neural，擁有跨語言能力，支持14個國家和地區的語言。此外，基于Uni-TTSv3而構建的深度神經網絡定制語音服務，也擴展了跨語言定制服務功能，客戶只需提供一個語言的錄音數據作為語料，即可訓練定制模型同時說多個語言。

　　Jenny Multilingual Neural音頻示例

　　隨著技術不斷迭代，微軟智能語音性能已能媲美真人，并支持超過110個國家和地區的語言，提供超過270個神經網絡聲音。為進一步拓寬語音使用場景，滿足各行業客戶的多元化需求，微軟智能語音也在不斷探索新的服務和能力：

　　l 跨語種語音技術需求：僅用一個音色就能生成同時覆蓋全球用戶的多語言應用需求，譬如在虛擬游戲中創建具有多語言能力的 NPC (Non-Player Character ,非玩家角色)，在智能客服等場景中使用多種語言與用戶交談，提升用戶體驗。

　　l 穩定高效的平臺需求：使語音模型更加魯棒（robust，系統穩定性），即使在定制服務場景中，也可以不受外界環境影響，穩定、高效的處理不同類型的訓練數據。

　　新一代神經網絡語音合成技術Uni-TTSv3的提出，旨在解決上述訴求并完善如下功能：

　　保真度高

　　Uni-TTSv3是非自回歸語音合成模型，基于FastSpeech 2（快速高質量語音合成模型） 構建，通過直接使用真實語音進行訓練，并引入更多有關語速、語調、重音模式等語音變化信息，提高合成語音質量。經行業公認的、專業評估語音自然度的 MOS（Mean Opinion Score平均意見評分）評測結果顯示，智能合成女聲Jenny Multilingual Neural 的各語種語音平均評分達到 4.2 分以上（總分5分），語音保真度高。

Uni-TTSv3模型結構圖

　　多語言通用

　　Uni-TTSv3是強大的多語言語音模型，在多語言和多說話人數據集上訓練。Uni-TTSv3通過訓練來自50多個不同地域和口音的發音人在不同場景下錄制的超過 3,000個小時的語音數據，構建多語言通用基礎語音模型，確保 AI 語音在語速、語調和重音模式等不變的情況下演繹多國語言。

　　訓練時間更短

　　Uni-TTSv3授權 Azure 語音合成平臺和自定義神經語音支持多語種語音。借助Uni-TTSv3升級自定義神經語音訓練管道，支持客戶用更短的訓練時間創建高質量的語音模型。與上一代語音合成模型相比，Uni-TTSv3調優過程簡單，尤其在聲學訓練部分， 訓練時間顯著減少 50% 左右，更加降本增效。

Uni-TTSv3 模型訓練示意圖

　　想即刻試用體驗Uni-TTSv3多語言語音合成模型嗎？想使用微軟 Azure 有聲內容制作平臺制作高質量合成語音嗎？請點此立即試用吧！