亞馬遜人工智能研究團(tuán)隊近日發(fā)布了一項重大成果，他們開發(fā)了一個名為“可擴(kuò)展流式文本轉(zhuǎn)語音模型”（BASE TTS）的新模型，該模型是目前世界上最大的文本轉(zhuǎn)語音模型，擁有 9.8 億個參數(shù)，并使用了10萬小時的錄音作為訓(xùn)練數(shù)據(jù)集。這一突破性的研究已經(jīng)在 arXiv 預(yù)印本服務(wù)器上公開，感興趣的讀者可以查閱相關(guān)論文。

文本轉(zhuǎn)語音技術(shù)是人工智能領(lǐng)域的一個重要分支，它可以將任意文本轉(zhuǎn)換為自然流暢的語音，為各種應(yīng)用場景提供便利和價值。例如，文本轉(zhuǎn)語音技術(shù)可以用于智能助理、數(shù)字教育、無障礙服務(wù)、娛樂媒體等領(lǐng)域。然而，要實現(xiàn)高質(zhì)量的文本轉(zhuǎn)語音輸出，需要解決許多挑戰(zhàn)，例如如何處理多種語言、方言、口音、情感、語調(diào)、節(jié)奏等復(fù)雜的語音特征。

亞馬遜團(tuán)隊的新模型BASE TTS采用了一種創(chuàng)新的方法，通過增加參數(shù)數(shù)量和擴(kuò)充訓(xùn)練數(shù)據(jù)集來提升文本轉(zhuǎn)語音應(yīng)用的能力。該模型使用了10萬小時的錄音作為訓(xùn)練數(shù)據(jù)集，其中大部分為英語語音，但也包含了其他語言的單詞和短語示例，使其能夠正確發(fā)音一些常見的表達(dá)，例如“au contraire” 和 “adios, amigo”。該模型還具有強(qiáng)大的泛化能力，可以根據(jù)不同的場景和需求調(diào)整語音輸出的風(fēng)格和效果。

據(jù)鉍讀網(wǎng)了解，亞馬遜團(tuán)隊還對不同規(guī)模的數(shù)據(jù)集進(jìn)行了實驗，希望能從中發(fā)現(xiàn)人工智能領(lǐng)域所說的“涌現(xiàn)能力”。這種能力是指人工智能應(yīng)用，無論是大型語言模型還是文本轉(zhuǎn)語音模型，突然突破到更高智能水平的現(xiàn)象。他們發(fā)現(xiàn)，對于文本轉(zhuǎn)語音應(yīng)用而言，這種飛躍發(fā)生在參數(shù)量達(dá)到1.5億的中型數(shù)據(jù)集上。

研究人員還指出，這種飛躍涉及一系列語言屬性，例如使用復(fù)合名詞、表達(dá)情感、使用外語詞、應(yīng)用語音學(xué)和標(biāo)點符號以及正確強(qiáng)調(diào)句子中的關(guān)鍵詞等能力。這些能力使得文本轉(zhuǎn)語音輸出更加自然、流暢和富有表現(xiàn)力。

亞馬遜團(tuán)隊表示，他們開發(fā) BASE TTS 的目的是為了推動文本轉(zhuǎn)語音技術(shù)的發(fā)展和應(yīng)用，但他們也意識到這種技術(shù)可能存在潛在濫用風(fēng)險。因此，他們決定不會向公眾開放 BASE TTS 模型，而是將其作為學(xué)習(xí)應(yīng)用，并期望將學(xué)到的知識應(yīng)用于改善文本轉(zhuǎn)語音應(yīng)用的整體音質(zhì)。

亞馬遜人工智能研究團(tuán)隊的這項成果無疑是文本轉(zhuǎn)語音領(lǐng)域的一個里程碑，它展示了人工智能技術(shù)在處理自然語言方面的巨大潛力。我們期待未來看到更多類似的創(chuàng)新和進(jìn)步。