英伟达用AI给自家纪录片配音，情绪节奏稳稳拿捏，不说根本听不出来

鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI

先来听一小段音乐：

你能听出，这其实是AI唱的吗？

虽然日常和你对话的siri声音机械，还常常胡乱断句，但实际上，最新的技术进展显示，AI的语音合成能力已经可以说得上是以假乱真。

比如英伟达，最近就发布了一个更懂节奏、更具感情的语音合成AI。

在英伟达的纪录片中，她是这样自我介绍的：

口齿清晰自不必说，这气息顿挫、情绪把控，播音员范儿够正不？

帧级控制合成语音

英伟达将在9月3日的语音技术顶会Interspeech 2021上展示该项目的最新成果。

不过，其背后的技术，此前就已经帮助自家数字人在SIGGRAPH Real-Time Live上摘下了最佳展示奖。

核心是名为RAD-TTS的语音合成方法。

这是一个并行的端到端TTS模型。与此前的并行方法不同，RAD-TTS将语音节奏作为一个单独的生成分布来建模。如此，在推理过程中，语音的持续时间就能被更好地控制。

从RAD-TTS的演示界面中也可以看出，用户可以在帧级别上控制合成语音的音调、持续时间和节奏力度。

研究人员还介绍，RAD-TTS既可以将任意文本转换成说话人的声音，也可以将一个说话人的声音（甚至是歌声）转换成另一个人的声音，就像这样：

也就是说，合成语音的制作人可以像指导配音演员一样去“指导”AI，让它学会哪个单词应该重点突出、节奏如何把控更符合创作基调等等。

机器语音能有多真实？

其实，不只是英伟达，此前，小冰也发布过超级自然语音技术。

把一句人类的语音混进小冰的语音里，你能分辨到底哪一句来自真正的人类吗？

不过，小冰公司CEO李笛此前曾表示，AI的声音太接近真人，就很有可能被滥用。因此小冰禁止为普通个人训练声音。

但这样的技术，也正在通过电台、便利店等更多商业场景，走进人们的日常生活。

参考链接：
[1]论文地址：https://openreview.net/forum?id=0NQwnnwAORi
[2]https://blogs.nvidia.com/blog/2021/08/31/conversational-ai-research-speech-synthesis-interspeech/