中國智能語音服務(wù)產(chǎn)業(yè)，最快沖過終點(diǎn)的將是誰呢？

阿里云升級實(shí)時(shí)在線中文語音合成服務(wù)，結(jié)合傳統(tǒng)語音合成技術(shù)與深度學(xué)習(xí)端到端系統(tǒng)各自的優(yōu)勢，顯著提升語音合成穩(wěn)定性及表現(xiàn)力。新智元專訪達(dá)摩院語音實(shí)驗(yàn)室負(fù)責(zé)人鄢志杰及高級算法專家雷鳴，深度解讀核心技術(shù)。鄢志杰認(rèn)為，智能語音正處于爆發(fā)前夜，2019年語音AI將在特定領(lǐng)域通過圖靈測試。

鄢志杰，達(dá)摩院語音實(shí)驗(yàn)室負(fù)責(zé)人，中國科學(xué)技術(shù)大學(xué)博士，IEEE高級會(huì)員。長期擔(dān)任語音領(lǐng)域頂級學(xué)術(shù)會(huì)議及期刊專家評審。研究領(lǐng)域包括語音識別、語音合成、聲紋、語音交互等。曾任微軟亞洲研究院語音團(tuán)隊(duì)主管研究員。

開始閱讀前，先來聽聽下面這段機(jī)器合成的語音：

當(dāng)聽到稚嫩的童聲念完“雞蛋雞蛋……雞蛋~”的時(shí)候，阿里巴巴達(dá)摩院語音實(shí)驗(yàn)室負(fù)責(zé)人鄢志杰還有坐在他一旁的高級算法專家雷鳴，都不約而同地激動(dòng)起來，興奮之情溢于言表：

“這在當(dāng)年我們做學(xué)生研究TTS (Text-To-Speech, 文本到語音) 時(shí)是完全不可想象的，”鄢志杰和雷鳴感嘆道：“有點(diǎn)穿越，機(jī)器能夠發(fā)出這種聲音，這種韻律?！?/p>

讓機(jī)器發(fā)出這種聲音和韻律的，就是他們向新智元展示的 Knowledge-Aware Neural TTS (KAN-TTS)，達(dá)摩院最新推出的語音合成技術(shù)，現(xiàn)已通過阿里云提供在線的實(shí)時(shí)中文語音合成服務(wù)。

根據(jù)阿里內(nèi)部測評結(jié)果，即便只基于單個(gè)發(fā)音人 (single speaker) 的數(shù)據(jù)，KAN-TTS 合成的語音都能達(dá)到與原始音頻錄音 (Recording) 95%以上的相似度；采用多發(fā)音人 (multi-speaker) 數(shù)據(jù)以及遷移學(xué)習(xí)技術(shù)后，特定發(fā)音人數(shù)據(jù)的自然度能獲得97%以上的相似度。

當(dāng)前業(yè)界商用語音合成系統(tǒng) (紅框標(biāo)識) 合成語音與錄音 (Recording) 相似度大約在85~%90%的水平。達(dá)摩院內(nèi)部評測結(jié)果顯示，KAN-TTS技術(shù)令合成語音自然度顯著提升。詳見后文“詳解達(dá)摩院KAN-TTS技術(shù)”。

橫向比較業(yè)界現(xiàn)有的各項(xiàng)中文語音合成服務(wù)的效果后，鄢志杰博士認(rèn)為，達(dá)摩院語音實(shí)驗(yàn)室這次交出了一份滿意的答卷。

“我們正處于智能語音技術(shù)又一次爆發(fā)的前夜，感覺就像是2010年前后那段時(shí)間，深度學(xué)習(xí)的出現(xiàn)讓 ASR (自動(dòng)語音識別) 準(zhǔn)確率提高了20%~30%，一下子把整個(gè) ASR 能力帶向產(chǎn)業(yè)，”鄢志杰告訴新智元。

“現(xiàn)在，大家沿著這一條新的技術(shù)路線，不斷添磚加瓦，未來幾年會(huì)看到大量新方法的提出，相關(guān)的服務(wù)也會(huì)再進(jìn)一步?！?/p>

升級實(shí)時(shí)在線語音合成服務(wù)：傳統(tǒng)語音合成+端到端完美融合

一直以來，在機(jī)器學(xué)習(xí)領(lǐng)域存在一個(gè)爭論：

是不是可以完全摒棄領(lǐng)域知識 (domain knowledge)，只依靠強(qiáng)大的模型以及海量數(shù)據(jù)，就能得到足夠好的模型？

“在近幾年流行的端到端 (End2End) 技術(shù)中，研究人員給出的答案似乎接近于‘是’?！边_(dá)摩院語音實(shí)驗(yàn)室高級算法專家雷鳴告訴新智元。

雷鳴，達(dá)摩院語音實(shí)驗(yàn)室高級算法專家，中科大博士，目前負(fù)責(zé)語音識別、語音合成、語音喚醒等前沿技術(shù)研發(fā)工作，在加入阿里巴巴之前，他曾任微軟STC語音科學(xué)家。

“但在語音合成領(lǐng)域，現(xiàn)在我們給出的答案是‘否’——只有依賴足夠多的領(lǐng)域知識，加上強(qiáng)大的模型和海量的數(shù)據(jù)，才能夠構(gòu)建足夠好的語音合成模型?！?/p>

近幾年，由深度學(xué)習(xí)推動(dòng)的 End2End 技術(shù)發(fā)展迅速。語音合成 (TTS) 領(lǐng)域，谷歌的 Tacotron、DeepMind 的 WaveNet，還有百度的 ClariNet，研究人員不斷提出更好、更快的端到端語音合成模型。

端到端 (End2End) 技術(shù)摒棄了傳統(tǒng)語音合成技術(shù)前端-后端多模型多模塊框架，采用統(tǒng)一的模型，試圖直接從輸入文本到輸出波形。理論上，這樣能模擬任何聲音 (排除了對聲波建模的固有損失)，大幅減輕乃至去掉了對語音、語言學(xué)專業(yè)知識的依賴。

然而，現(xiàn)實(shí)情況是，盡管端到端TTS系統(tǒng)能夠得到相對流暢、表現(xiàn)力更好的合成語音，但由于需要大量計(jì)算力支持等原因，目前難以在移動(dòng)端實(shí)現(xiàn)。

此外，語音合成領(lǐng)域，訓(xùn)練數(shù)據(jù)的獲取需要較高的成本投入。除了流程繁瑣——從前期準(zhǔn)備、選擇發(fā)音人、找錄音場地、錄制到數(shù)據(jù)清洗和標(biāo)注，更麻煩的是，現(xiàn)在的語音合成數(shù)據(jù)庫往往是單一風(fēng)格的，而語音合成服務(wù)的效果穩(wěn)定性依賴錄音風(fēng)格的一致性，如何在長期大量錄音中始終保持同一風(fēng)格內(nèi)部的一致性，對整個(gè)錄音項(xiàng)目來說是一個(gè)不小的挑戰(zhàn)。在這種高要求條件下，10小時(shí)的有效語音合成數(shù)據(jù)，可能需要花費(fèi)數(shù)月的錄制時(shí)間，這也對發(fā)音人保持自身狀態(tài) (尤其是嗓子的狀態(tài)) 提出了較高的要求。

因此，目前市面上主流的商用語音合成產(chǎn)品和服務(wù)，絕大多數(shù)都使用傳統(tǒng)TTS框架構(gòu)建，并不能夠提供高表現(xiàn)力的語音合成效果，用戶往往很容易聽出合成語音的機(jī)械感。

傳統(tǒng)TTS系統(tǒng)中，輸入文本經(jīng)過語音信號處理、文本分析等多個(gè)模塊，根據(jù)多個(gè)domain knowledge，形成了rich context linguistic information，后端模型根據(jù)前面的結(jié)果，結(jié)合acoustic feature進(jìn)行建模及預(yù)測，最終再經(jīng)過聲碼器 (Vocoder) 得到合成語音。

傳統(tǒng)語音合成 (TTS) 技術(shù)與端到端 (End2End) 語音合成技術(shù)對比

有沒有可能結(jié)合傳統(tǒng) TTS 系統(tǒng)和 End2End 系統(tǒng)各自的優(yōu)勢？

達(dá)摩院語音實(shí)驗(yàn)室提出了 Knowledge-Aware Neural TTS (KAN-TTS) 技術(shù)，在傳統(tǒng)語音合成系統(tǒng)的基礎(chǔ)上，充分利用領(lǐng)域知識，從而構(gòu)建了高表現(xiàn)力、高穩(wěn)定性的在線中文實(shí)時(shí)語音合成系統(tǒng)。

不僅如此，KAN-TTS 還利用多個(gè)發(fā)音人的大量數(shù)據(jù)，訓(xùn)練得到多發(fā)音人模型，并利用遷移學(xué)習(xí)進(jìn)一步提高合成效果，最終達(dá)到逼近真人錄音的自然度。

未來5年連接100億臺設(shè)備，語音是AIoT關(guān)鍵

2018年3月底的云棲大會(huì)，時(shí)任阿里云總裁的胡曉明在會(huì)上宣布：阿里巴巴全面進(jìn)軍 IoT，這是繼電商、金融、物流、云計(jì)算之后，阿里的一條新的主賽道。阿里云 IoT 的定位是物聯(lián)網(wǎng)基礎(chǔ)設(shè)施的搭建者，阿里云計(jì)劃在未來 5 年內(nèi)連接 100 億臺設(shè)備。

到了2019年，AIoT——人工智能 (AI) 與物聯(lián)網(wǎng) (IoT) 在實(shí)際應(yīng)用中落地融合——成為行業(yè)關(guān)鍵詞，作為萬物互聯(lián)以及AIoT的一個(gè)重要入口，智能語音賽道上已是百舸爭流。

作為達(dá)摩院語音實(shí)驗(yàn)室負(fù)責(zé)人，鄢志杰認(rèn)為智能語音在阿里進(jìn)軍 IoT 的研究和實(shí)踐中有三個(gè)重點(diǎn)：

構(gòu)建有深度、全鏈路、多模態(tài)的關(guān)鍵技術(shù)棧

產(chǎn)出低成本、易復(fù)制的智能化 IoT 方案

打造標(biāo)桿硬件是“手段”，建設(shè)基礎(chǔ)平臺是“目的”

在這個(gè)指導(dǎo)思想下，“我們仔細(xì)對比了不同的inference方案，考慮到使用場景要求，對快速擴(kuò)展的要求，甚至客戶不同機(jī)器的部署能力，最終選擇以非異構(gòu)計(jì)算的形式進(jìn)行inference，計(jì)算全部基于CPU完成?！崩坐Q告訴新智元。

一旦系統(tǒng)能在CPU上跑，自然就可以做大規(guī)模的彈性部署，周期成本也就變得極富吸引力?？紤]到服務(wù)的可擴(kuò)展性，團(tuán)隊(duì)還在模型層面、底層計(jì)算框架和指令集層面進(jìn)行了相關(guān)的優(yōu)化。

通過提出KAN-TTS，并發(fā)布基于這一技術(shù)的實(shí)時(shí)在線語音合成云服務(wù)，達(dá)摩院語音實(shí)驗(yàn)室在傳統(tǒng)TTS系統(tǒng)和End2End系統(tǒng)中找到了一個(gè)杠桿。

這也是為什么他們敢于在達(dá)摩院2019年十大技術(shù)預(yù)測中說，“語音AI在特定領(lǐng)域通過圖靈測試”。

阿里的 KAN-TTS 并非市面上公有云中唯一可用的中文語音合成服務(wù)，科大訊飛、百度、騰訊、京東、小米、思必馳、云知聲、Rokid、出門問問……都發(fā)布了相關(guān)產(chǎn)品，并明確將智能語音+IoT定為公司發(fā)展關(guān)鍵。

國際上，還有谷歌基于 Google Cloud 的 Text-to-Speech 服務(wù) (共有 30 種語音，并有多種語言和語言變體可供選擇)，亞馬遜 AWS 的 Polly (含有 28 種語言，58 款可用聲音)，以及微軟 Azure 的 Text to Speech 服務(wù) (標(biāo)準(zhǔn)版含 45 種語言和 75 種 以上的聲音，包括男聲和女聲，還能調(diào)節(jié)參數(shù)，例如速度、音調(diào)、音量、發(fā)音以及其他停頓)——當(dāng)然，這些服務(wù)里全都包括中文 (普通話)。

對于更多的開發(fā)者和中小企業(yè)而言，剩下的問題就是選擇用哪家的服務(wù)，或者更干脆地說，上哪家的云。

達(dá)摩院科研成果轉(zhuǎn)化秘訣：實(shí)驗(yàn)精神加一點(diǎn)商業(yè)Sense

在提倡“用研究創(chuàng)造價(jià)值”的達(dá)摩院，技術(shù)商業(yè)化是各個(gè)實(shí)驗(yàn)室負(fù)責(zé)人工作的另一大重點(diǎn)。

當(dāng)被問及達(dá)摩院語音實(shí)驗(yàn)室技術(shù)商業(yè)化的“套路”時(shí)，鄢志杰表示，阿里最大的不同，是要求技術(shù)人員也具備一定的商業(yè)sense。

“你并不需要是商業(yè)奇才，”鄢志杰告訴新智元：“但什么樣的技術(shù)能真正幫助到這些場景，憑借我們的智慧，完全可以排除掉一些絕對不可能成功的選項(xiàng)?！?/p>

“這樣做就提高了成功的幾率。好，然后再在讓這些種子去慢慢發(fā)芽，觀察它們的長勢，再來做決定。”

在他的形容中，接下來的迭代是一個(gè)非?？茖W(xué)的實(shí)驗(yàn)過程，就像做優(yōu)化，基于當(dāng)前的這個(gè)點(diǎn)，找到一個(gè)所謂的梯度，這個(gè)梯度就是你要工作的方向，然后跑那么一小步，檢驗(yàn)?zāi)繕?biāo)函數(shù)有沒有被優(yōu)化，然后再來做調(diào)整。

“要說套路的話，我覺得這跟我們做語音識別、做語音合成其實(shí)是一樣的套路?！?/p>

鄢志杰強(qiáng)調(diào)，未來的語音交互將是多模態(tài)的、無處不在的交互。單靠算法不足以形成足夠持續(xù)的競爭力，特別是越來越多的算法走向開源，這就要求研究團(tuán)隊(duì)將數(shù)據(jù)、硬件以及好的商業(yè)模式相結(jié)合，具體到智能語音交互，則是“與智能硬件廠商劃定一個(gè)有效的邊界”。

技術(shù)、產(chǎn)業(yè)和商業(yè)要形成一個(gè)閉環(huán)。技術(shù)到產(chǎn)品有鴻溝，而即使有了一個(gè)產(chǎn)品之后，如果賣不出去，接觸不到大量的用戶，也很難收集到有效的反饋?！八裕覀兿Ｍ麑⒁豁?xiàng)技術(shù)做成產(chǎn)品，成規(guī)模地推到商業(yè)，吸引大量用戶，然后用戶這邊反饋到產(chǎn)品的種種問題，我們再在此基礎(chǔ)上對技術(shù)進(jìn)行迭代。”

鄢志杰和他的同事都相信無處不在的智能語音交互是未來，并朝著這個(gè)方向去努力。過去幾年技術(shù)上的一系列成果，比如達(dá)摩院兄弟部門的工作、谷歌BERT模型，“驚喜就沒有斷過”。這也讓他有種“趕上了技術(shù)浪潮”的感覺，但跨過技術(shù)到了產(chǎn)業(yè)與商業(yè)以后，這個(gè)“潮”還是不是“潮”，鄢志杰認(rèn)為很難說。

“今天那么多的所謂的AI技術(shù)，到底在產(chǎn)品層面能給用戶帶來多大的好處，在商業(yè)層面上是不是真的能夠稱其為一個(gè)business，而且是一個(gè)可持續(xù)、可健康發(fā)展的business。我們是在大膽假設(shè)，小心求證?！?/p>

至于KAN-TTS，“模型開放出來以后，厲害的工程團(tuán)隊(duì)用不了多久就能復(fù)現(xiàn)”，鄢志杰和雷鳴都笑著說。

“我們期待大家在上面繼續(xù)貢獻(xiàn)?！?/p>

詳解達(dá)摩院 KAN-TTS 技術(shù)

根據(jù)達(dá)摩院語音實(shí)驗(yàn)室的介紹，KAN-TTS 技術(shù)結(jié)合了傳統(tǒng)語音合成系統(tǒng)和End2End語音合成系統(tǒng)各自的優(yōu)勢，主要包括這幾個(gè)方面的不同：

Linguistic domain knowledge：傳統(tǒng)語音合成系統(tǒng)利用了文本相關(guān)數(shù)據(jù)積累了大量的domain knowledge，因此可以獲得較穩(wěn)定的合成結(jié)果；而沒有利用該domain knowledge的End2End語音合成系統(tǒng)，在合成穩(wěn)定性方面就不如傳統(tǒng)語音合成系統(tǒng)。近年來，有一些研究工作就是基于標(biāo)注發(fā)音的文本數(shù)據(jù)針對多音字發(fā)音消歧方面進(jìn)行優(yōu)化，也有些研究工作針對傳統(tǒng)語音合成系統(tǒng)中的停頓預(yù)測進(jìn)行優(yōu)化。傳統(tǒng)系統(tǒng)可以輕易的利用這樣的研究成果，而End2End系統(tǒng)沒有利用到這樣的工作。在KAN-TTS中，我們利用了海量文本相關(guān)數(shù)據(jù)構(gòu)建了高穩(wěn)定性的domain knowledge分析模塊。例如，在多音字消歧模塊中，我們利用了包含多音字的上百萬文本/發(fā)音數(shù)據(jù)訓(xùn)練得到多音字消歧模型，從而獲得更準(zhǔn)確的發(fā)音。 如果像End2end系統(tǒng)那樣完全基于語音數(shù)據(jù)進(jìn)行訓(xùn)練，光是包含多音字的數(shù)據(jù)就需要上千小時(shí)，這對于常規(guī)數(shù)據(jù)在幾小時(shí)到幾十小時(shí)的語音合成領(lǐng)域而言，是不可接受的。

Acoustic Model：傳統(tǒng)語音合成系統(tǒng)對于duration和聲學(xué)特征是分開建模的，合成時(shí)需要先預(yù)測duration信息，再根據(jù)預(yù)測得到的duration預(yù)測聲學(xué)特征，而End2End系統(tǒng)利用了seq2seq模型，對所有聲學(xué)特征進(jìn)行統(tǒng)一建模及預(yù)測，這樣可以更好的對時(shí)長和音調(diào)高低等韻律變化進(jìn)行建模。在傳統(tǒng)語音合成領(lǐng)域，一直有研究人員在嘗試更好的對韻律進(jìn)行建模，例如但受限于系統(tǒng)框架和模型建模能力，在傳統(tǒng)語音合成系統(tǒng)中始終沒能獲得令人滿意的結(jié)果。而在End2End系統(tǒng)中，基于更強(qiáng)大的seq2seq模型，充分利用了語音韻律的domain knowledge，最終得以產(chǎn)生高表現(xiàn)力的合成語音。在KAN-TTS中，考慮到深度學(xué)習(xí)技術(shù)的快速進(jìn)展以及End2End模型的合成效果，我們也采用了seq2seq模型作為聲學(xué)模型，同時(shí)結(jié)合海量數(shù)據(jù)，進(jìn)一步提高了整體模型的效果和穩(wěn)定性。

Acoustic feature和Vocoder：在傳統(tǒng)語音合成領(lǐng)域，也一直有研究人員在探索更好的聲學(xué)特征和聲碼器。但由于傳統(tǒng)語音合成系統(tǒng)中的聲學(xué)特征和聲碼器都是基于語音編解碼中的source-filter機(jī)理產(chǎn)生的，有較強(qiáng)的理論假設(shè)，在實(shí)際不同發(fā)音人的數(shù)據(jù)上，天然會(huì)丟失掉一部分信息，為后面整體建模以及預(yù)測合成語音帶來了一定困擾，最終產(chǎn)生的整體音質(zhì)也較差?？紤]到信息的損失和音質(zhì)，在KAN-TTS系統(tǒng)中，我們采用了和End2End系統(tǒng)類似的FFT spectrum作為聲學(xué)特征，信息上損失更小，同時(shí)采用更強(qiáng)大的聲碼器恢復(fù)波形，因此在音質(zhì)方面具有明顯優(yōu)勢。

KAN-TTS基本架構(gòu)

KAN-TTS的基本框圖

在KAN-TTS的基本架構(gòu)中，輸入文本經(jīng)過與傳統(tǒng)語音合成系統(tǒng)類似的模塊得到相關(guān)的linguistic信息，接著由linguistic信息得到的矢量序列輸入進(jìn)入seq2seq模型，進(jìn)行訓(xùn)練和建模。

需要說明的是，KAN-TTS并沒有完全采用所有的linguistic信息。經(jīng)過細(xì)致分析和實(shí)驗(yàn)對比，我們發(fā)現(xiàn)采用所有的linguistic信息并不能帶來更好的結(jié)果，有時(shí)甚至?xí)儾睢Ｒ虼?，我們最終采用了如上圖所示的domain knowledge作為后端模型的輸入。

更多領(lǐng)域知識

此外，KAN-TTS還融合了其他多個(gè)方面的domain knowledge，這其中最重要的是基于中文的linguistic knowledge、基于海量語音數(shù)據(jù)的聲學(xué)空間構(gòu)建，以及針對特定發(fā)音人、特定風(fēng)格的遷移學(xué)習(xí)技術(shù)。

①基于海量語音數(shù)據(jù)的模型構(gòu)建

構(gòu)建多發(fā)音人語音合成系統(tǒng)的方式

發(fā)音人信息作為另外一種輸入特征和Encoder的輸出結(jié)合，輸入到Attention&Decoder模塊里面。經(jīng)過這樣的處理，Encoder模塊只是用來對文本相關(guān)信息進(jìn)行特征提取，發(fā)音人這樣的聲學(xué)信息只作用于Attention&Decoder，并不影響Encoder的結(jié)果。在實(shí)際實(shí)現(xiàn)過程中，我們也對比了不同的信息結(jié)合方式，采用如上圖所示的結(jié)合方式可以獲得最好的合成效果。

最終，我們利用了上百個(gè)人的幾百小時(shí)數(shù)據(jù)，構(gòu)建了基于海量數(shù)據(jù)的多發(fā)音人語音合成系統(tǒng)。相對而言，在傳統(tǒng)語音合成系統(tǒng)中，單發(fā)音人數(shù)據(jù)量往往在幾個(gè)小時(shí)到幾十小時(shí)不等。利用海量發(fā)音人的數(shù)據(jù)構(gòu)建的語音合成系統(tǒng)，可以提供更穩(wěn)定的合成效果，為最終構(gòu)建高穩(wěn)定性語音合成產(chǎn)品打下了基礎(chǔ)。

②針對特定發(fā)音人、特定風(fēng)格的遷移學(xué)習(xí)技術(shù)

由于采用了大量不同發(fā)音人數(shù)據(jù)進(jìn)行語音合成系統(tǒng)構(gòu)建，雖然我們利用了多發(fā)音人的大量數(shù)據(jù)，得以產(chǎn)生高穩(wěn)定性合成語音。但我們發(fā)現(xiàn)對特定發(fā)音人或者特定風(fēng)格而言，其效果距離真實(shí)錄音而言還是具有一定差距。因此，我們參考了其他領(lǐng)域?qū)τ?xùn)練數(shù)據(jù)比例的研究，在多發(fā)音人模型的基礎(chǔ)上進(jìn)一步嘗試了針對特定發(fā)音人、特定風(fēng)格數(shù)據(jù)的遷移學(xué)習(xí)。實(shí)驗(yàn)表明，疊加遷移學(xué)習(xí)后，合成語音的效果可以進(jìn)一步提高，逼近真實(shí)錄音的效果。

多發(fā)音人模型實(shí)際訓(xùn)練過程

上圖中顯示了實(shí)際的訓(xùn)練過程。首先，我們利用多個(gè)發(fā)音人的所有數(shù)據(jù)構(gòu)建多發(fā)音人模型，在這期間，發(fā)音人信息作為輸入信息在訓(xùn)練過程中輸入到了Attention&Decoder模塊；基于訓(xùn)練得到的多發(fā)音人模型，我們根據(jù)需要，針對發(fā)音人n進(jìn)行遷移學(xué)習(xí)，最終得到發(fā)音人 n 的單發(fā)音人模型。

非異構(gòu)計(jì)算的工程優(yōu)化

隨著深度學(xué)習(xí)技術(shù)的進(jìn)步，模型的建模能力越來越強(qiáng)大，隨之而來的計(jì)算量需求也越來越高。近年來，很多公司都采用異構(gòu)計(jì)算進(jìn)行模型的inference，例如采用高性能或者inference專用GPU，甚至采用FPGA/ASIC這樣的專用芯片技術(shù)來加速inference部分的計(jì)算，服務(wù)實(shí)際需求。

對語音合成而言，大量的需求是需要進(jìn)行實(shí)時(shí)計(jì)算的。例如，在交互場景上，語音合成服務(wù)的響應(yīng)時(shí)間直接影響到用戶的體驗(yàn)，往往需要從發(fā)起合成請求到返回第一個(gè)語音包的時(shí)間在200ms左右，即首包latency。另一方面，很多場景的語音合成的請求量的變化是非常大的，例如小說和新聞播報(bào)場景，白天和傍晚的請求量往往較高，而深夜的請求量往往很低，這又對部署的便捷性和服務(wù)的快速擴(kuò)展性帶來了要求。

我們仔細(xì)對比了不同的inference方案，考慮到我們最終的使用場景要求，對快速擴(kuò)展的要求，甚至客戶不同機(jī)器的部署能力，我們最終選擇以非異構(gòu)計(jì)算的形式進(jìn)行inference計(jì)算，即不采用任何異構(gòu)計(jì)算的模塊，包括GPU/FPGA/ASIC等。

根據(jù)KAN-TTS的特性，以及語音合成服務(wù)的需求，我們針對性的做了若干優(yōu)化，包括：

模型層面的優(yōu)化：為了降低首包latency，我們改進(jìn)了模型結(jié)構(gòu)，替換了BLSTM等模塊，從而大幅度提高了首包latency。此外，我們針對計(jì)算量較大的模塊進(jìn)行優(yōu)化和替代，從而大幅度優(yōu)化了整體計(jì)算效率。

框架和指令集優(yōu)化：為了更好的利用硬件性能，我們嘗試了不同的底層加速框架，并且針對性的對指令集結(jié)合實(shí)際計(jì)算需求進(jìn)行了優(yōu)化。另外，我們還對個(gè)別超大向量計(jì)算進(jìn)行了針對性的優(yōu)化。

最終，經(jīng)過我們的一系列優(yōu)化，效果如下圖所示：

其中，RTF是借鑒了語音識別中的指標(biāo)，即Real Time Factor，度量合成1s的一句話所需要的計(jì)算時(shí)間，QPS為實(shí)際同時(shí)能夠支撐的服務(wù)請求數(shù)。

KAN-TTS 實(shí)際效果

從實(shí)際實(shí)踐中發(fā)現(xiàn)，End2End系統(tǒng)最大的問題是丟字漏字和多音字發(fā)音錯(cuò)誤兩類問題。由于End2End系統(tǒng)的輸入是中文漢字，而漢字的數(shù)量很多，在訓(xùn)練數(shù)據(jù)中覆蓋較差，分布也不均勻，因此導(dǎo)致了大量句子都出現(xiàn)了丟字漏字的情況；另外，由于前文中介紹的原因，由于語音數(shù)據(jù)量總是遠(yuǎn)遠(yuǎn)小于文本數(shù)據(jù)的，基于現(xiàn)在的語音數(shù)據(jù)，End2End系統(tǒng)中多音字覆蓋也較差，所以也會(huì)大量的出現(xiàn)多音字發(fā)音錯(cuò)誤問題。

End2End系統(tǒng)和KAN-TTS在丟字漏字和多音字發(fā)音錯(cuò)誤這兩個(gè)問題上的對比，其中多音字發(fā)音錯(cuò)誤以“為”這個(gè)字的情況代表。

從上圖中可以看到，KAN-TTS在這兩個(gè)問題上都顯著超越了End2End系統(tǒng)。其原因主要為KAN-TTS中結(jié)合了傳統(tǒng)語音合成系統(tǒng)，充分利用了多個(gè)方面的domain knowledge。因此在合成語音的穩(wěn)定性上，可以獲得和傳統(tǒng)語音合成系統(tǒng)類似的結(jié)果。

使用單個(gè)發(fā)音人的數(shù)據(jù)，與傳統(tǒng)語音合成系統(tǒng)相比，KAN-TTS技術(shù)在不同改進(jìn)下的效果變化。

MOS 為 Mean Opinion Score 的縮寫，是語音合成領(lǐng)域主觀測試打分標(biāo)準(zhǔn)，滿分為5分，越大越好。在MOS測試過程中，會(huì)加入不同系統(tǒng)的合成語音以及真實(shí)錄音 (Recording)，由幾十到幾百的參與人員對每個(gè)語音的自然度進(jìn)行主觀打分。由于不同人的真實(shí)錄音的MOS打分往往不同，為了度量技術(shù)的實(shí)際作用，我們采用了MOS%的形式進(jìn)行對比，即以Recording得分作為分母，將不同系統(tǒng)的MOS得分除以Recording得分，從而得以度量不同系統(tǒng)主觀得分距離Recording的差距，越接近100%為越好，而Recording的得分始終為100%。

從上圖中可以看到，傳統(tǒng)拼接系統(tǒng)和傳統(tǒng)參數(shù)系統(tǒng) (代表當(dāng)前市面上商用TTS系統(tǒng)水平) 分別可以獲得85%~90%的接近程度，差別與發(fā)音人風(fēng)格、數(shù)據(jù)量都比較相關(guān)；當(dāng)采用了KAN-TTS技術(shù)時(shí)，即便只是基于Single Speaker的數(shù)據(jù)，都可以獲得95%以上的接近程度；而采用了multi-speaker以及transfer learning技術(shù)之后，特定發(fā)音人數(shù)據(jù)在自然度上可以獲得97%以上的相似度。

結(jié)語

KAN-TTS 技術(shù)是結(jié)合了我們最新的語音技術(shù)、海量的文本和聲學(xué)數(shù)據(jù)以及大規(guī)模計(jì)算能力，對語音合成技術(shù)進(jìn)行的改進(jìn)。

現(xiàn)在，用戶可以在阿里云官網(wǎng)體驗(yàn)(https://ai.aliyun.com/nls/tts)。接下來，我們會(huì)擴(kuò)大該技術(shù)服務(wù)的音色范圍，全面將該技術(shù)應(yīng)用到所有語音合成發(fā)音人中。

通過KAN-TTS技術(shù)的提出，我們?yōu)椤笆欠窨梢酝耆饤塪omain knowledge，而完全依賴強(qiáng)大的模型和海量數(shù)據(jù)”這個(gè)問題給出了我們自己的答案。在未來的工作中，我們還將基于KAN-TTS技術(shù)對語音合成技術(shù)做進(jìn)一步的改進(jìn)，提供給大家更好的語音合成服務(wù)。