NVIDIA专研对话模型 AI语音更像人

●报道：本刊 林德成
●图：NVIDIA官方部落格

科技以往再怎么日新月异，人工智能（AI）技术始终无法模仿真实的人声，所合成的声音终究与真人发音有所差距，毕竟我们说话有节奏、语调、情绪等等。不过，全球知名半导体公司英伟达（NVIDIA）日前在Interspeech 2021研讨会上，发布了最新的AI语音合成模型，可以捕捉和模仿人类说话的声调细节。

在过去一年，NVIDIA的文本转换语音研究团队开发了RAD-TTS语音合成模型。该团队使用真人的声音来训练RAD-TTS模型，让它可以将任何文本转换成真人说话的声音，同时还能转换声音的音调。在RAD-TTS模型的操作介面，人声被视为一种乐器，可以调整音调、持续时间和语音强度。根据NVIDIA早前上传了一段演示视频，这个AI模型可以将一段录制好的音频，从男声变成女声，还能调整音频，让声音强调特定的单词或更改语速。乍听之下，或许一时无法分辨，但仔细分析就会听得出有些偏差。

NVIDIA说，这项技术可以应用在银行、零售商店的客服热线，亦能让游戏中的人物在说话时，显得栩栩如生。此外，这个AI语音合成模型能用在配音领域，其文本转换语音的功能也可以帮助到语言障碍者。

相关稿件：

美国Pizza Hut出奇招 运用AI和天气推荐餐点？

网民仿造Windows 11介面 在网页免费测试练手