微软Azure认知服务：TTS系统音频合成媲美人类

微软的「文本到语音（text-to-speech，TTS）」分析运行系统取得了里程碑式的突破，它可以使用深度神经网络让计算机合成的声音酷似人类录音，达到几乎无法分辨的地步。这一系统合成的语音拥有与人类类似的神经韵律和吐字发音。神经 TTS 可以在人类与 AI 系统交互时大大减轻听觉疲劳。

点开音频，你能听出哪个是微软合成的声音吗？

本周，微软的团队在佛罗里达州奥兰多的 Microsoft Ignite 会议上展示了神经网络驱动的「文本到语音」转换功能。这种功能目前可以通过 Azure 认知服务语音服务进行预览。

预览链接： https://azure.microsoft.com/en-us/services/cognitive-services/speech-services/

「神经文本到语音」转换可以让人与机器人或虚拟助手的互动更加自然、有吸引力。它将电子书等数字文本转换为有声书，还可以用于改进车内导航系统。

「文本到语音」转换取得的进展是微软团队在过去两年中取得的突破之一，他们的贡献还包括将会话语音识别和 机器翻译 提升到可以与人类媲美的程度。

微软的「文本到语音」系统使用了深度神经网络，来克服传统「文本到语音」系统在匹配口语的重读和语调（称为韵律结构），以及将语音单元合成为计算机音频方面的局限性。

传统的「文本到语音」系统将韵律结构分解成由独立模型控制的语言分析和声学预测步骤。这将导致合成音频变得沉闷无趣。微软的「文本到语音」系统可以同时执行韵律预测和声音合成，其结果更加流畅自然。

通过使用 Azure 的算力，微软可以传送实时的语音流，有助于人与聊天机器人或虚拟助理交流。该功能由 Azure Kubernetes Service 提供服务，保证了很高的可扩展性和可用性，并给予用户在单个端点使用神经「文本到语音」以及传统的「文本到语音」服务的能力。

预览服务目前提供两个预构建的英文版「文本到语音」的助理——Jessa 和 Guy。微软很快会加入更多的语言，以及 49 种语言的定制服务（面向希望为特定需求构建品牌声音的客户）。

原文链接： https://azure.microsoft.com/en-us/blog/microsoft-s-new-neural-text-to-speech-service-helps-machines-speak-like-people/