開發者和創作者可以使用最先進的對話式AI模型進行情感語音合成，為角色、虛擬助手和個性化形象生成聲音。

　　AI已將合成語音從單調的機器人呼叫和傳統GPS導航系統轉變成智能手機和智能音箱中動聽的虛擬助手。

　　但AI合成語音與我們在日常對話和媒體中聽到的人類語音之間仍有差距。這是因為人在說話時會有復雜的節奏、音調和音色，而AI很難在這些方面進行模仿。

　　但這一差距正在迅速縮小。NVIDIA研究人員正在創建高質量、可控制的語音合成模型和工具，這些模型和工具能夠捕捉人類語音的豐富性，并且不會出現音頻雜音。

　　NVIDIA研究人員目前正在INTERSPEECH 2021大會上展示他們的最新項目。本屆大會將持續到9月3日。

　　這些模型有助于為銀行和零售商的自動客戶服務熱線配音、使視頻游戲和書籍中的人物變得栩栩如生，并為數字化身提供實時語音合成。

　　NVIDIA的內部創意團隊甚至使用該技術為一個關于AI力量的系列視頻制作了動人的解說。

　　情感語音合成只是NVIDIA 研究院在對話式AI領域的重點工作之一。該領域還包括自然語言處理、自動語音識別、關鍵詞檢測、音頻增強等。

　　這些前沿工作經過優化后可以在NVIDIA GPU上高效運行，其中的一些工作已經通過NVIDIA NeMo工具包開放源代碼，可在NVIDIA NGC 容器和其他軟件中心獲得。

　　I AM AI幕后花絮

　　NVIDIA研究人員和專業創作人員并不是在針對對話式AI進行紙上談兵。他們通過身體力行，將突破性的語音合成模型應用于I AM AI系列視頻中。該系列視頻介紹了重塑各個行業的全球 AI 創新者。

　　不久之前，這些視頻還都是由人類配音的。以前的語音合成模型對合成聲音節奏和音調的控制十分有限，因此AI配音無法喚起觀眾的情感反應，只有富有感情的人類聲音才能做到這一點。

　　在過去的一年中，NVIDIA文本-語音研究團隊開發出更強大、更可控的語音合成模型（如RAD-TTS），使得上述情況發生了變化。NVIDIA在SIGGRAPH Real-Time Live比賽中的獲獎演示就采用了這個模型。通過使用人類語音音頻來訓練文本-語音模型，RAD-TTS可以將任何文本轉換成說話人的聲音。

　　該模型的另一項功能是語音轉換，即使用一名說話人的聲音講述另一名說話人的話語（甚至歌唱）。RAD-TTS界面的靈感來自于將人的聲音作為一種樂器這一創意。用戶可以使用它對合成聲音的音調、持續時間和強度進行精細的幀級控制。

　　通過這個接口，視頻制作者可以在錄制中自行閱讀視頻文本，然后使用AI模型將他作為男敘述者的語音轉換成女敘述者的聲音。制作者可以使用這個基準敘述，像指導配音演員一樣指示AI，比如通過調整合成語音來強調特定的詞語、修改敘述節奏以更好地表達視頻中的語氣 等。

　　該AI模型的能力已超出了配音工作的范圍：文本-語音轉換可以用于游戲、為有聲音障礙的人提供幫助、或幫助用戶用自己的聲音進行不同語言的敘述。它甚至可以重現標志性歌手的表演，不僅能夠匹配歌曲的旋律，還能匹配人聲背后的情感表達。

　　為AI開發者和研究者提供強大的語音功能

　　NVIDIA NeMo是一款用于GPU加速對話式AI的開源Python工具包。研究者、開發者和創作者通過使用該工具包，能夠在自己的應用實驗和和微調語音模型方面取得先機。

　　NeMo中易于使用的API和預訓練模型能夠幫助研究人員開發和自定義用于文本-語音轉換、自然語言處理和實時自動語音識別的模型。其中幾個模型是在NVIDIA DGX 系統上使用數萬小時的音頻數據訓練而成。開發者可以根據自己的使用情況對任何模型進行微調，運用NVIDIA Tensor Core GPU上的混合精度計算加快訓練速度。

　　NVIDIA NeMo還通過NGC提供在Mozilla Common Voice上訓練的模型，該數據集擁有76種語言、近14000小時的眾包語音數據。該項目的目標是在NVIDIA的支持下，通過全球最大的開源數據語音數據集實現語音技術的普及化。

　　語音技術的盛宴：NVIDIA研究人員展示AI語音技術的最新進展

　　INTERSPEECH匯聚了1000多名研究人員，他們展示了語音技術方面的突破性進展。在本周的會議上，NVIDIA研究院將展示對話式AI模型架構以及供開發者使用的完全格式化語音數據集。

　　請關注以下由NVIDIA 嘉賓帶來的相關演講：

• 兼容任何場景的多麥克風語音去混響 —  8月31日（周二）

• SPGISpeech：用于完全格式化端到端語音識別的5000小時轉錄金融音頻 —  9月1日（周三）

• Hi-Fi多講話者英語TTS數據集 — 9月1日（周三）

• TalkNet 2：用于語音合成（具有明確音高和持續時間預測）的非自回歸深度可分離卷積模型 — 9月2日（周四）

• 使用稀疏隨機三元矩陣壓縮一維時間通道可分離卷積 — 9月3日（周五）

• NeMo逆向文本正則化：從開發到生產 — 9月3日（周五）

　　可在NGC目錄中搜索NeMo模型并收聽NVIDIA研究人員在 INTERSPEECH大會上的講座。