如何讓機器像人一樣“說話”？這堂講座為你解密

近年來，隨著人工智能的發展，各種語音合成應用也迅速普及，如即時的文本信息轉語音、視覺障礙人士的輔助軟硬件，甚至是推銷電話、廠商客服以及短視頻配音等，都有語音合成的身影。不僅如此，技術手段的加持，使得語音合成呈現出更逼真的人聲、更自然的音色以及有一定情感起伏的語調。

近日，中國科學院大學成都學院科學前沿講座邀請了中國科學技術大學教授凌震華，以《語音合成基礎與前沿進展》為主題，介紹了語音合成技術的最新進展，包括語音信號的離散表征與基于大模型架構的語音合成方法，以及以改變語音中說話人音色為目標的聲音轉換任務等。

凌震華表示，賦予機器像人一樣自如說話的能力，是人工智能領域的關鍵技術之一。“我們做語音合成，就是利用機器去模擬人類將文本轉化成聲學信號的生理過程。”講座中，凌震華從語音合成的基本概念，以及語音合成技術的發展歷史講起，重點介紹波形拼接語音合成與統計參數語音語音合成兩條技術路線。

2013年深度學習技術被引入語音合成后，基于深度學習的統計參數語音合成日益受到研究關注。為此，他圍繞早期幀對齊預測的深度學習聲學建模方法，以及神經網絡聲碼器與序列到序列的深度學習聲學建模方法等，作了深入淺出的講解。

對于語音合成技術研究面臨的挑戰和發展方向，凌震華也提出了自己的思考。“例如，一些方言或特殊語種的數據采集受限，這是我們未來在語音合成研究中需要考慮的方面。”

據悉，科學前沿講座是由中國科學院大學成都學院主辦的學術講座。講座主要面向學院內師生，內容涉及科技領域最新、最尖端以及最具挑戰性的研究方向和課題，以拓寬學生的學科視野，激發創新熱情。