微軟日前發布新一代深度神經網絡 HiFiNet 聲碼器，與微軟上一代語音技術相比，由 HiFiNet 聲碼器合成的神經網絡版聲音質量再創新高，主要體現在發音更準確、韻律更自然、高保真效果更完美，更受客戶青睞。自推出以來，被廣泛應用到有聲讀物、在線教育、車載語音助手等領域。

　　視頻地址：https://www.bilibili.com/video/BV1a44y1q7aZ?zw

　　HiFiNet 是微軟神經網絡版語音合成技術中最新的聲音編碼器，是決定音頻質量的關鍵因素。根據行業公認的、專業評估語音自然度的 MOS 測試結果顯示，由 HiFiNet 聲碼器合成的語音音質可與用于訓練的真人錄音樣本相媲美，并同時改善毛刺、噪音等音頻質量問題，輸出的音質具備更高保真度，更大程度還原真人錄音。

　　與微軟上一代聲碼器相比，微軟 HiFiNet 聲碼器合成的音質更高（見演示視頻第1、2 段聲音）。

　　語音質量的優劣會直接影響收聽者的感受，為提升用戶收聽的舒適度，在 Azure 語音合成系統中，神經網絡聲學模型基于深度學習網絡，使用真人錄音作為原始數據進行迭代訓練。首先，提取真人錄音的聲學特征。然后，利用真人錄音的聲學特征自動生成兩組音頻：一組真實聲波（原始錄音）和一組偽波（合成聲波）。最后，由鑒別器區分真實聲波和偽波。隨著訓練次數的增多，聲波生成器也會愈發“聰明”，直至生成鑒別器也無法區分的偽波，這意味著機器合成的聲音已經和原始錄音相差無幾，從而給用戶帶來更貼近自然的體驗。

　　由微軟 HiFiNet 聲碼器合成的音頻質量更接近真人原始錄音（見演示視頻第3、4 段聲音）

　　HiFiNet 聲碼器訓練示意圖

　　采樣率越高，聲音還原越真實。Azure 神經網絡版語音合成聲學模型默認每秒鐘采樣 24,000 次 （24 千赫茲），為還原特殊場景中更為復雜、細微的聲音內容，HiFiNet 聲碼器每秒鐘采樣 48,000 次（48 千赫茲），滿足用戶對語音質量的嚴格要求，讓用戶盡享高清語音體驗。

　　音頻采樣頻率與保真度對比示意圖

　　除語音質量外，HiFiNet 合成速度較之其他模型也有顯著的提升，進一步提升了語音合成的實時率。據 RTF（Real Time Factor，實時率，用來測量語音合成速度的工具）測試結果顯示，HiFiNet 在 GPU 設備上運行的速度是第一代高性能聲碼器的 3 倍，在 CPU 設備上運行的速度是第一代高性能聲碼器的 2 倍。

　　目前，內置 HiFiNet 聲碼器的 Azure 認知服務神經網絡版語音合成服務已支持超過 70 多個國家和地區的語言，提供超過 170 個自然逼真的音色供開發者選擇。

　　欲了解有關 HiFiNet 及語音合成的更多內容，請點擊：關于 HiFiNet、關于語音合成試用版、更多資料以及示例代碼。

總結

以上是生活随笔為你收集整理的微软语音合成技术升级编码器 效果以假乱真的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。