近日，OpenAI在官網(wǎng)首次展示了全新自定義音頻模型“Voice Engine”。用戶只需要提供15秒左右的參考聲音，通過Voice Engine就能生成幾乎和原音一模一樣的全新音頻，在清晰度、語音連貫、音色、自然度等方面比市面上多數(shù)產(chǎn)品都強(qiáng)很多。
除了語音合成之外，Voice Engine還能提供視頻翻譯功能，可以將一種視頻語音無差別的翻譯成多國語言。此外，OpenAI首席技術(shù)官M(fèi)ira Murati在前不久接受的采訪時(shí)表示，未來Sora生成的視頻會(huì)帶聲音的，很可能為其提供聲音的就是Voice Engine。
我們可以期待voice engine在未來將有廣闊的應(yīng)用場(chǎng)景，包括：配合Sora視頻生成的功能，為視頻配音，賦能內(nèi)容創(chuàng)作、教育和娛樂等領(lǐng)域;支持語音交互的個(gè)人智能助理。這類個(gè)人助理它不同于簡(jiǎn)單的語音合成或者語音識(shí)別，而是根據(jù)用戶的輸入進(jìn)行語音的響應(yīng)：用戶可以通過文本、語音來輸入，然后服務(wù)直接用語音回復(fù)結(jié)果。
從技術(shù)角度來說，傳統(tǒng)的語音助理應(yīng)該是先通過ASR識(shí)別用戶的語音，然后轉(zhuǎn)成文本，GPT再根據(jù)文本生成答案，再由TTS技術(shù)合成語音輸出。這個(gè)分步系統(tǒng)最大的缺點(diǎn)就是時(shí)延以及準(zhǔn)確性!三個(gè)步驟，每個(gè)步驟準(zhǔn)確率90%，最終的回復(fù)準(zhǔn)確率可能只有72.9%了!同時(shí)，在自然對(duì)話中，標(biāo)準(zhǔn)反應(yīng)間隔時(shí)間約為300毫秒。如果這是一個(gè)語音端到端的模型(符合OpenAI當(dāng)前的技術(shù)趨勢(shì))，那么時(shí)延和準(zhǔn)確性都值得期待!
所以，語音端到端技術(shù)，將從根本上優(yōu)化人工智能和人類對(duì)話的效果和響應(yīng)速度，成為未來AIoT的標(biāo)配。在這項(xiàng)技術(shù)中，高質(zhì)量的語音數(shù)據(jù)將是決勝關(guān)鍵。
晴數(shù)智慧在去年全球首發(fā)了中文高質(zhì)量復(fù)刻數(shù)據(jù)集，得到了廣大企業(yè)的認(rèn)可。今年我們?cè)俳釉賲?，為中國大模型落地各行業(yè)、并適配各地交流的剛需，再次首發(fā)“多方言超擬人語音合成大模型數(shù)據(jù)集”，助力中國Voice Engine語音大模型乘風(fēng)破浪!
多方言超擬人語音合成大模型數(shù)據(jù)集具備48k高采樣率，安靜環(huán)境采集，方言語種多樣，聲音來源豐富，篩選來自不同地區(qū)、年齡、性別、社會(huì)背景人員錄制以確保聲音多樣化。自由對(duì)話風(fēng)格具有高表現(xiàn)力和情感色彩，能夠使語音合成模型生成出方言語音更加生動(dòng)、自然。主題豐富多樣，涵蓋了日常生活中的各種場(chǎng)景和話題，為精準(zhǔn)、自然的語音生成提供了強(qiáng)有力的數(shù)據(jù)支持。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
