英伟达用 AI 给纪录片配音：情绪节奏稳稳拿捏，不说根本听不出来

图片地址：https://img.ithome.com/newsuploadfiles/2021/9/ddb40226-794e-4127-af89-eb07164b7caf.gif

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，她的自我介绍口齿清晰自不必说，气息顿挫、情绪把控，播音员范儿绝对够正。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