阿里公布新语音合成技术 录音10分钟定制AI语音

科技行者 7月10日 北京消息：近日，阿里发布新一代语音合成技术KAN-TTS，大幅提高合成语音与真人发声的相似度，并将语音合成定制成本降低10倍以上。

阿里AI的这项突破，将问世80年的语音合成（TTS）技术推向几可乱真的水平，有望通过图灵测试。

当前业界商用系统的合成语音与原始音频录音的接近程度通常在85%到90%之间，而基于KAN-TTS技术的合成语音可将该数据提高到97%以上。

KAN-TTS由达摩院机器智能实验室自主研发，深度融合了目前主流的端到端TTS技术和传统TTS技术，从多个方面改进了语音合成。

传统语音合成定制需要10小时以上的数据录制和标注，对录音人和录音环境要求很高。从启动定制到最终交付，项目周期长成本高。

阿里利用Multi-Speaker Model与Speaker-aware Advanced Transfer Learning相结合的方法，将语音合成定制成本降低10倍以上，周期压缩3倍以上。也就是说，用1小时有效录音数据和不到两个月制作周期，就能完成一次标准TTS定制。

普通用户定制“AI声音”的门槛更低。只需手机录音十分钟，就能获得与录制声音高度相似的合成语音。阿里AI做到这一点，主要基于自动数据检查、自动标注方法和对海量用户场景的利用。

阿里已经对外提供开箱即用的TTS解决方案，共有通用、客服、童声、英文和方言5个场景的34种高品质声音供选择。

基于新一代技术，阿里还显著提高了设备端离线TTS的效果。这在超低资源设备端的TTS服务中非常有用，比如当人们驾车行驶于信号微弱区域，阿里技术能避免语音导航“掉线”。