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首席技術官Mira Murati在前不久接受的采訪時表示，未來Sora生成的視頻會帶聲音的，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用場景，包括：配合Sora視頻生成的功能，為視頻配音，賦能內容創(chuàng)作、教育和娛樂等領域;支持語音交互的個人智能助理。這類個人助理它不同于簡單的語音合成或者語音識別，而是根據(jù)用戶的輸入進行語音的響應：用戶可以通過文本、語音來輸入，然后服務直接用語音回復結果。
從技術角度來說，傳統(tǒng)的語音助理應該是先通過ASR識別用戶的語音，然后轉成文本，GPT再根據(jù)文本生成答案，再由TTS技術合成語音輸出。這個分步系統(tǒng)最大的缺點就是時延以及準確性!三個步驟，每個步驟準確率90%，最終的回復準確率可能只有72.9%了!同時，在自然對話中，標準反應間隔時間約為300毫秒。如果這是一個語音端到端的模型(符合OpenAI當前的技術趨勢)，那么時延和準確性都值得期待!
所以，語音端到端技術，將從根本上優(yōu)化人工智能和人類對話的效果和響應速度，成為未來AIoT的標配。在這項技術中，高質量的語音數(shù)據(jù)將是決勝關鍵。
晴數(shù)智慧在去年全球首發(fā)了中文高質量復刻數(shù)據(jù)集，得到了廣大企業(yè)的認可。今年我們再接再厲，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、社會背景人員錄制以確保聲音多樣化。自由對話風格具有高表現(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、自然。主題豐富多樣，涵蓋了日常生活中的各種場景和話題，為精準、自然的語音生成提供了強有力的數(shù)據(jù)支持。
（免責聲明：本網(wǎng)站內容主要來自原創(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確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產(chǎn)權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
