開發(fā)者和創(chuàng)作者可以使用最先進(jìn)的對(duì)話式AI模型進(jìn)行情感語音合成,為角色、虛擬助手和個(gè)性化形象生成聲音。
AI已將合成語音從單調(diào)的機(jī)器人呼叫和傳統(tǒng)GPS導(dǎo)航系統(tǒng)轉(zhuǎn)變成智能手機(jī)和智能音箱中動(dòng)聽的虛擬助手。
但AI合成語音與我們?cè)谌粘?duì)話和媒體中聽到的人類語音之間仍有差距。這是因?yàn)槿嗽谡f話時(shí)會(huì)有復(fù)雜的節(jié)奏、音調(diào)和音色,而AI很難在這些方面進(jìn)行模仿。
但這一差距正在迅速縮小。NVIDIA研究人員正在創(chuàng)建高質(zhì)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(huì)出現(xiàn)音頻雜音。
NVIDIA研究人員目前正在INTERSPEECH 2021大會(huì)上展示他們的最新項(xiàng)目。本屆大會(huì)將持續(xù)到9月3日。
這些模型有助于為銀行和零售商的自動(dòng)客戶服務(wù)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(shù)字化身提供實(shí)時(shí)語音合成。
NVIDIA的內(nèi)部創(chuàng)意團(tuán)隊(duì)甚至使用該技術(shù)為一個(gè)關(guān)于AI力量的系列視頻制作了動(dòng)人的解說。
情感語音合成只是NVIDIA 研究院在對(duì)話式AI領(lǐng)域的重點(diǎn)工作之一。該領(lǐng)域還包括自然語言處理、自動(dòng)語音識(shí)別、關(guān)鍵詞檢測(cè)、音頻增強(qiáng)等。
這些前沿工作經(jīng)過優(yōu)化后可以在NVIDIA GPU上高效運(yùn)行,其中的一些工作已經(jīng)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(yè)創(chuàng)作人員并不是在針對(duì)對(duì)話式AI進(jìn)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(yīng)用于I AM AI系列視頻中。該系列視頻介紹了重塑各個(gè)行業(yè)的全球 AI 創(chuàng)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(duì)合成聲音節(jié)奏和音調(diào)的控制十分有限,因此AI配音無法喚起觀眾的情感反應(yīng),只有富有感情的人類聲音才能做到這一點(diǎn)。
在過去的一年中,NVIDIA文本-語音研究團(tuán)隊(duì)開發(fā)出更強(qiáng)大、更可控的語音合成模型(如RAD-TTS),使得上述情況發(fā)生了變化。NVIDIA在SIGGRAPH Real-Time Live比賽中的獲獎(jiǎng)演示就采用了這個(gè)模型。通過使用人類語音音頻來訓(xùn)練文本-語音模型,RAD-TTS可以將任何文本轉(zhuǎn)換成說話人的聲音。
該模型的另一項(xiàng)功能是語音轉(zhuǎn)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(chuàng)意。用戶可以使用它對(duì)合成聲音的音調(diào)、持續(xù)時(shí)間和強(qiáng)度進(jìn)行精細(xì)的幀級(jí)控制。
通過這個(gè)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(zhuǎn)換成女?dāng)⑹稣叩穆曇簟V谱髡呖梢允褂眠@個(gè)基準(zhǔn)敘述,像指導(dǎo)配音演員一樣指示AI,比如通過調(diào)整合成語音來強(qiáng)調(diào)特定的詞語、修改敘述節(jié)奏以更好地表達(dá)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(zhuǎn)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(jìn)行不同語言的敘述。它甚至可以重現(xiàn)標(biāo)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(dá)。
?
為AI開發(fā)者和研究者提供強(qiáng)大的語音功能
NVIDIA NeMo是一款用于GPU加速對(duì)話式AI的開源Python工具包。研究者、開發(fā)者和創(chuàng)作者通過使用該工具包,能夠在自己的應(yīng)用實(shí)驗(yàn)和和微調(diào)語音模型方面取得先機(jī)。
NeMo中易于使用的API和預(yù)訓(xùn)練模型能夠幫助研究人員開發(fā)和自定義用于文本-語音轉(zhuǎn)換、自然語言處理和實(shí)時(shí)自動(dòng)語音識(shí)別的模型。其中幾個(gè)模型是在NVIDIA DGX 系統(tǒng)上使用數(shù)萬小時(shí)的音頻數(shù)據(jù)訓(xùn)練而成。開發(fā)者可以根據(jù)自己的使用情況對(duì)任何模型進(jìn)行微調(diào),運(yùn)用NVIDIA Tensor Core GPU上的混合精度計(jì)算加快訓(xùn)練速度。
NVIDIA NeMo還通過NGC提供在Mozilla Common Voice上訓(xùn)練的模型,該數(shù)據(jù)集擁有76種語言、近14000小時(shí)的眾包語音數(shù)據(jù)。該項(xiàng)目的目標(biāo)是在NVIDIA的支持下,通過全球最大的開源數(shù)據(jù)語音數(shù)據(jù)集實(shí)現(xiàn)語音技術(shù)的普及化。
語音技術(shù)的盛宴:NVIDIA研究人員展示AI語音技術(shù)的最新進(jìn)展
INTERSPEECH匯聚了1000多名研究人員,他們展示了語音技術(shù)方面的突破性進(jìn)展。在本周的會(huì)議上,NVIDIA研究院將展示對(duì)話式AI模型架構(gòu)以及供開發(fā)者使用的完全格式化語音數(shù)據(jù)集。
請(qǐng)關(guān)注以下由NVIDIA 嘉賓帶來的相關(guān)演講:
- 兼容任何場(chǎng)景的多麥克風(fēng)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(shí)別的5000小時(shí)轉(zhuǎn)錄金融音頻 — ?9月1日(周三)
- Hi-Fi多講話者英語TTS數(shù)據(jù)集 — 9月1日(周三)
- TalkNet 2:用于語音合成(具有明確音高和持續(xù)時(shí)間預(yù)測(cè))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(jī)三元矩陣壓縮一維時(shí)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(fā)到生產(chǎn) — 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(huì)上的講座。