了解獨(dú)特的文本轉(zhuǎn)語音應(yīng)用

虛擬助手在用戶發(fā)出命令后就會(huì)作出語音回復(fù)。而生成語音回復(fù)的技術(shù)被稱為文本轉(zhuǎn)語音（TTS）。

TTS 應(yīng)用能夠讓輔助器具使用者訪問更多內(nèi)容，因此非常實(shí)用。最新的 TTS 技術(shù)可以從一段幾分鐘的音頻數(shù)據(jù)中生成合成聲音，非常適合僅留存了有限錄音的失音者。

事實(shí)上，TTS 的應(yīng)用正在因技術(shù)進(jìn)步而不斷增長(zhǎng)：

• 在幾毫秒內(nèi)運(yùn)行端到端 TTS 流程，以實(shí)現(xiàn)自然互動(dòng)。

• 在推斷時(shí)自定義 AI 模型和流程，以產(chǎn)生具有表現(xiàn)力的合成語音。

• 部署在所有云、數(shù)據(jù)中心、邊緣或嵌入式設(shè)備上。

本文將說明語音合成系統(tǒng)如何運(yùn)作，然后介紹 TTS 技術(shù)的常見用途和新用途。

語音合成系統(tǒng)如何工作

顧名思義，文本轉(zhuǎn)語音或語音合成是將書面文本轉(zhuǎn)換成自然、類似人類的語音音頻的過程。在端到端 TTS 流程中用于實(shí)現(xiàn)這一轉(zhuǎn)換的關(guān)鍵模型和模塊包括：

• 文本規(guī)范化和預(yù)處理：將數(shù)字和縮略語變成文字。

• 文本編碼：將文本轉(zhuǎn)換為輸入到聲譜圖生成器的編碼向量。

• 聲譜圖生成器：從編碼文本向量中生成聲譜圖。

• 語音編碼器模型：輸入聲譜圖并生成一個(gè)人們可以聽到的合成語音。

一般來說，TTS 是虛擬助手、數(shù)字人和服務(wù)機(jī)器人等應(yīng)用的最終階段。

常見的 TTS 應(yīng)用

2021 年 IDC 對(duì)話式 AI 采用情況調(diào)查共調(diào)研了 251 家公司，其中 74.5% 在語音對(duì)話式 AI 解決方案中使用 TTS，68.5% 在無障礙解決方案中使用 TTS（圖 1）。

圖 1. IDC 關(guān)于常見 TTS 用例的調(diào)查

語音合成的功能用途正得到許多行業(yè)的認(rèn)可，人們可能已經(jīng)看到過以下 TTS 技術(shù)用例。

虛擬網(wǎng)紅

虛擬網(wǎng)紅正在改變未來與企業(yè)或名人溝通的方式。虛擬網(wǎng)紅也稱為虛擬品牌大使或品牌代言人，它們可以協(xié)助公司推廣產(chǎn)品和服務(wù)，名人也可以通過它們與粉絲保持全天候的聯(lián)系。

在這些用例中 TTS 技術(shù)生成了自定義聲音，然后被整合到動(dòng)畫虛擬網(wǎng)紅或數(shù)字大使身上。

文本敘述

文本敘述能夠大聲朗讀所有類型的文本。這項(xiàng) TTS 功能可用于網(wǎng)站及閱讀類應(yīng)用，為喜歡音頻類節(jié)目的人帶來了福音。有視覺障礙的人也可以使用文字?jǐn)⑹雎牭剿麄兿矚g的內(nèi)容。

TTS 用于在這些應(yīng)用程序上將文本轉(zhuǎn)換成語音并朗讀出來。但這項(xiàng)工作并不像表面上那么簡(jiǎn)單。為了提升收聽體驗(yàn)，此類應(yīng)用的聲音必須抑揚(yáng)頓挫、富有節(jié)奏和表現(xiàn)力。

常見的語音轉(zhuǎn)文本準(zhǔn)確性問題

對(duì)于生活在現(xiàn)代社會(huì)的人來說，最流行和具有吸引力的媒介莫過于音頻和視頻內(nèi)容。TTS 技術(shù)可以幫助內(nèi)容創(chuàng)作者為視頻配音或創(chuàng)建播客。

為了獲得更多的受眾，創(chuàng)作者還可以使用 TTS 技術(shù)將博客、新聞文章等文本內(nèi)容轉(zhuǎn)換成音頻。

TTS 的使用十分靈活，用戶可以在變聲器等應(yīng)用中改變語音的音調(diào)、節(jié)奏和音量，使聲音變得更具表現(xiàn)力。

獨(dú)特的 TTS 應(yīng)用

除了這些日常應(yīng)用外，企業(yè)家們正在探索各種新穎的 TTS 應(yīng)用。下文將介紹開發(fā)獨(dú)特語音合成技術(shù)的公司。

用于智慧醫(yī)院的語音通知亭：Artisight

Artisight 是一個(gè)應(yīng)用于醫(yī)院的物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)，可改善醫(yī)院的運(yùn)營(yíng)、財(cái)務(wù)業(yè)績(jī)和患者體驗(yàn)。該公司幫助美國(guó)許多頂尖醫(yī)院提高運(yùn)營(yíng)效率，同時(shí)通過任務(wù)自動(dòng)化給患者帶來更好的體驗(yàn)，比如呼叫患者到掛號(hào)窗口和化驗(yàn)等。

醫(yī)院可以使用 TTS 技術(shù)與患者和訪客分享有關(guān)醫(yī)院服務(wù)、設(shè)施位置和一般健康公告的信息。該技術(shù)也可以使用多種語言幫助可能不會(huì)說醫(yī)院當(dāng)?shù)卣Z言的人。

視頻 1. Artisight “診所協(xié)調(diào)員”解決方案演示

上面的視頻演示了醫(yī)院通知亭的文字轉(zhuǎn)語音技術(shù)如何讀出患者排隊(duì)單上的號(hào)碼。

挑戰(zhàn)和解決方案

過去，醫(yī)院接待人員需要手動(dòng)登記患者信息并在輪到患者就診時(shí)通知他們。這種耗時(shí)的登記流程降低了醫(yī)院的效率和患者的滿意度。

Artisight 開發(fā)的語音簽到、通知亭等智慧醫(yī)院解決方案可提升患者的體驗(yàn)。

Artisight 和 NVIDIA Riva 賦能的通知亭實(shí)現(xiàn)了有效、快速的患者登記流程，將等待時(shí)間縮短了一半并避免了數(shù)據(jù)輸入錯(cuò)誤，最終提高了員工的工作效率和患者的滿意度。

為數(shù)字虛擬形象提供類似人類聲音：NVIDIA

TTS 技術(shù)使計(jì)算機(jī)能夠?qū)嫖淖洲D(zhuǎn)換成語音，進(jìn)而讓數(shù)字人能夠“開口說話”并以更加自然、有代入感的方式與用戶交流。

為了取得用戶的信任，數(shù)字人所說的話必須高度準(zhǔn)確，尤其是當(dāng)它們被用于教育、娛樂或其他互動(dòng)用途時(shí)。使用 TTS 技術(shù)生成自然、類似人類的語音可以幫助數(shù)字人吸引用戶的注意力和興趣。

正如 NVIDIA Omniverse Avatar Cloud Engine（ACE）演示所示，AI 虛擬形象Toy Jensen 能夠理解黃仁勛的問題并作出自然的回答。Toy Jensen 的聲音使用 NVIDIA Riva 創(chuàng)建。

視頻 2. 用于構(gòu)建實(shí)時(shí)、交互式 AI 助手的 NVIDIA Omniverse ACE 平臺(tái)

挑戰(zhàn)和解決方案

開發(fā)用于數(shù)字人的 TTS 可能有一定的難度，尤其是在創(chuàng)造自然、真實(shí)的語音方面，并且難度取決于地區(qū)和語言。這是因?yàn)槭褂脗鹘y(tǒng)和統(tǒng)計(jì)算法創(chuàng)建的 TTS 系統(tǒng)可能導(dǎo)致語音聽起來像是機(jī)器人或機(jī)械發(fā)出的，而用戶對(duì)此可能不會(huì)“買賬”。

此外，由于 TTS 系統(tǒng)受數(shù)據(jù)集、所使用的模型和模塊類型等諸多因素影響，因此要為數(shù)字人應(yīng)用創(chuàng)建靈活的自適應(yīng)語音具有一定的難度。這使開發(fā)者難以生成具有細(xì)微差別和富有表現(xiàn)力的語音。

最后，數(shù)字人需要在不犧牲質(zhì)量的情況下實(shí)時(shí)生成大量語音，因此創(chuàng)建高效、可擴(kuò)展的 TTS 系統(tǒng)至關(guān)重要。

NVIDIA 為數(shù)字人和虛擬形象生成了自定義語音，比如使用 Riva 生成的 Toy Jensen 和 Violet。Riva 可幫助開發(fā)只需短短幾毫秒就能實(shí)時(shí)運(yùn)行且精準(zhǔn)的 TTS 流程，滿足實(shí)現(xiàn)自然語音的必要條件，還可以靈活調(diào)整音調(diào)、持續(xù)時(shí)間和音量等，使生成的聲音更具表現(xiàn)力。

開始使用語音合成

用戶現(xiàn)在就可以開始將 TTS 功能集成到應(yīng)用中，例如閱讀內(nèi)容或生成數(shù)字網(wǎng)紅獨(dú)特聲音等。NVIDIA Riva 等 SDK 可以幫助用戶開發(fā)出提供高準(zhǔn)確度并進(jìn)行高性能推理的應(yīng)用。

點(diǎn)擊“閱讀原文”試用 NVIDIA Riva TTS。

掃描下方海報(bào)二維碼，觀看 NVIDIA 創(chuàng)始人兼 CEO 黃仁勛在 COMPUTEX 2023 的主題演講直播回放，主題演講中文字幕版已上線，了解 AI、圖形及其他領(lǐng)域的最新進(jìn)展！