微軟在Ignite會議上推出新的神經文本-語音合成（TTS）利器！這項新服務生成的語音在節奏、語調和頓挫感上都幾乎和真人一樣，具備人類語音一樣的自然韻律和詞匯清晰度。目前該服務已經發布預覽版，開發者可申請嘗鮮！

微軟在文本到語音合成方面達到了一個新的里程碑，利用深度神經網絡，使計算機合成的聲音幾乎與真人的錄音無法區分。合成的聲音具備和人類語音一樣的自然韻律和明確的詞匯清晰度，用戶在與AI系統進行交互時，可以顯著降低聽覺疲勞。

微軟技術院士、語音和語言團隊負責人黃學東(Xuedong Huang)表示：

語音是推動環境計算開發的新界面，因為語音識別已經改變了我們的日常生活，從數字化助理、電子郵件和文檔內容的聽寫、再到記錄演講和會議內容。由于微軟多年來在語音識別方面的研究，以及一直處于最前沿的神經網絡技術的跨越式進步，這些方案在今天仍然可行。

隨著微軟Azure GPU加速的虛擬機規模的不斷擴展，如ND v2使用的8路互聯NVIDIA Tesla V100 GPU以及基于Skylake的處理器，我們有可能快速提高大規模語音識別模型的訓練速度，為Cortana，Skype翻譯，Windows和Office提供支持。期待這些服務的發布！“

黃學東

新文本-語音合成服務已經可預覽，開發者可嘗鮮

黃學東表示，微軟的團隊本周在佛羅里達州奧蘭多舉行的Microsoft Ignite會議上展示了這個神經網絡驅動的文本到語音合成功能。該功能目前可通過Azure Cognitive Services語音服務進行預覽。

該功能可以讓聊天機器人和虛擬助理的交互更自然、更具吸引力，比如將電子書等數字化文本轉換為有聲讀物，讓車載導航系統的功能更加強大等。

這項文本-語音轉換功能是微軟在過去兩年中取得的一系列突破之一，其他技術突破還包括在會話語音識別和機器翻譯中達到與人類大體相當的水平。

神經文本到語音合成（TTS）：聲音和真人一樣

微軟此次發布的文本到語音合成技術，利用深度神經網絡來克服傳統的文本到語音轉換系統的局限性，匹配口語中的語音頓挫和語調模式和韻律，并將語音單元合成為計算機語音。

傳統的文本到語音系統將韻律分解為單獨的語言分析和聲學預測，這些步驟分別由獨立模型控制。這可能導致合成后的語音結果過于低沉和嘈雜。微軟的系統能夠同時進行韻律預測和語音合成，合成的聲音更加流暢自然。

利用微軟Azure的計算能力，該服務可以提供實時流，這對于與聊天機器人或虛擬助手進行交互等場景是非常有用的。

微軟將在Azure Kubernetes服務中提供該功能。這可以確保了這一功能具備較高的高可擴展性和可用性，讓客戶能夠從單個端點使用基于神經網絡的文本到語音轉換和傳統的文本到語音轉換服務。

目前預覽版的服務提供兩種預先構建的英語文本-語音轉換服務，有男女兩種聲音（Jessa和Guy）。未來即將推出更多語言，以及49種語言的定制服務，為希望構建針對其特定需求而優化語音的客戶提供定制化服務。

文本-語音轉換服務的典型應用場景

提高可訪問性：文本-語音轉換技術使得內容所有者和發布者能夠響應人們與其內容交互的不同方式。憑借該技術，視力有障礙或閱讀困難的人也能夠通過聽覺來消費內容。語音輸出還能使人們在上下班或鍛煉時更容易通過移動設備上獲取文本內容，比如報紙或博客。

多任務場景下的反應：文本-語音轉換技術讓人們能夠在駕駛時、或不便閱讀的環境中快速舒適地吸收重要信息。該領域的常見應用是導航服務。

增強多模式學習：不同的人有不同的最佳學習方式。在線學習專家發現，同時提供語音和文本有助于讓信息更加易于學習。

開發認知機器人和助理：對話能力可能是智能聊天機器人或虛擬助手的重要組成部分。越來越多的公司正在開發聊天機器人，為客戶提供引人入勝的服務體驗。該技術為聊天機器人和數字化助理的響應方式增加了一個新的維度。