隨著社會進步和技術創新的日益加快，“黑科技”的產業運用持續加速，對人們生活的影響與改變也不斷加深。
近期，業內領先的搜狗AI語音合成再突破，創新提出“StyleTTS端到端合成框架”，將語音合成技術再次向前推進一步，在準確傳遞信息之外，更重視個性化及情感表達，讓合成的語音更具表現力，更“逼真”。搜狗聯合搜狐新聞客戶端于5月推出的演員柳巖同款明星“數字人”就是基于該技術的支持，實現了無縫切換河南、湖南、四川、陜西、東北等多種方言的能力。目前，該技術也為騰訊QQ瀏覽器“小說AI聽書”功能提供支持，助力其實現了聽書、聽小說的全新升級。
搜狗語音AI業內領先，幫助“聽見”更好世界
作為機器的“嘴巴”，語音合成已經被廣泛應用于新聞播報、小說閱讀、地圖導航、人機交互等諸多場景中。從2010年以前經典的統計機器學習方法，到DNN/LSTM為代表的深度神經網絡，再到Tacotron/FastSpeech/Durian等具有更強建模能力的端到端模型，結合神經聲碼器的突破，語音合成技術的發展正在從“穩定可懂”迭代到“更高表現力和逼真度，甚至媲美真人錄音的水平”。
搜狗AI語音合成有著雄厚的技術積累，2018年曾獲得Blizzard Challenge語音合成挑戰賽停頓和可懂兩項子任務第一名，2019年推出首個真人變聲功能實現“任意說話人聲音(源)向指定說話人聲音(目標)的實時變換”，展現了搜狗在語音表征學習、語音合成等領域的多個關鍵性技術突破。此外，以新華社AI合成主播“新小浩”和自有形象合成主播“雅妮”為代表的搜狗數字人也已升級至“第七代”，這些AI數字人的聲音真實度、表現力已可媲美真人，展現了在多模態合成領域的行業領先性。
在此基礎上，搜狗又提出了StyleTTS端到端合成框架，該框架主要包含Encoder文本特征編碼、Prosody Extractor/Predictor韻律特征編碼與建模、Decoder音色建模三大模塊，通過不同人(聲)的韻律模型和音色模型重組搭配，能夠實現跨發音人的風格控制合成，并擁有抑揚頓挫的韻律節奏和豐富立體的情感表達。此外，模型還加入說話人特征編碼、語種特征編碼以及GAN對抗學習等經典方法，進一步提升建模能力。相較而言，傳統語音合成技術的重點在于“信息的正確傳遞”，而搜狗AI語音合成技術除了正確傳遞信息，更重視個性化與情感共鳴，合成效果也具有更高的自然度、辨識度，同時還能實現對語音轉換的風格、口音、情感等進行靈活選擇與控制，從而滿足不同場景的需求。
（圖：搜狗StyleTTS結構圖）
以對騰訊QQ瀏覽器“AI聽書”的支持為例，區別于其他機器合成聲音的機械式發音，搜狗AI合成語音節奏更分明、情緒更自然，能夠更好的解放雙眼，而除了堪比真人的高保真音色，支持“方言語音”、“動漫語音”等的選擇，在讀書過程中，用戶還可以根據場景和心情進行播單設置、語速調節等個性化操作，這些都能夠提供更好的使用體驗，幫助用戶“聽見”更好的世界。
聲音+產業構建，前瞻“布局”未來生活
“聲音+”市場呈爆發式增長，已步入千億量級市場。數據顯示，在閱讀領域，“看”已不是閱讀的唯一方式，十個人當中就超過兩個人在聽書；在音頻領域，有聲書實現了從貢獻流量到商業變現的路徑打通，正在成長為喜馬拉雅FM等各大音頻平臺的支撐或主流業務；在智能硬件領域，僅智能音箱一項，未來五年銷量將突破3億臺超過PC規模……未來10 年，“聲音+”整合產業規模將達到萬億美金級別。
隨著智能社會的到來，聲音作為最自然、最便利的人機交互方式，上接互聯網、下接物聯網、中間連接人工智能，既是出口也是入口，而作為“聲音+”產業的基礎設施之一，語音合成孕育著一個巨大的藍海市場。
對此，搜狗已經進行前瞻性布局和產業化落地。在AI語音合成技術方面，圍繞“自然交互+知識計算”這一AI理念，搜狗不斷加大投入構建技術“護城河”，持續累積領先優勢；在創新性平臺方面，搜狗打造了“搜狗聲咖”、“搜狗AI開放平臺”等，基于語音技術提供語音識別、語音合成、語義理解、同聲傳譯等AI服務；在產業落地方面，搜狗不僅積極推動與清華天工研究院等學術機構，與暢游、千龍網、學而思等商業機構，乃至于與黃子韜、梁寧等明星和意見領袖等的合作，運用了搜狗語音技術的搜狗AI合成主播也被廣泛使用于傳媒、法律、金融等各行各業。
隨著時代發展與科技進步，智能語音將會變得越來越普及，得益于搜狗領先的人工智能技術，以及在語言領域、聲音領域的強大積累，搜狗語音能夠提供一整套科學、高效的“AI語音解決方案”，為人賦能，幫助人們更好的進行“有聲創作”、幫助各種機構更好的提供“有聲服務”，從根本上推動“聲音產業”和“人工智能產業”的發展，從這個意義上來說，其未來發展具有廣闊的空間。
