共计 2987 个字符,预计需要花费 8 分钟才能阅读完成。
1. 背景介绍
自 2017 年 10 月推出有道翻译蛋开始,网易有道已先后推出了二十余款智能学习硬件产品,包含有道翻译王、有道口袋打印机、有道超级词典、有道词典笔、有道听力宝等。
其中,有道词典笔创始了智能词典笔品类,间断两年获天猫、京东销量第一,并广受用户好评。
在近期有道词典笔的全新软件降级中(关联浏览:全新软件降级!真的很有料),有 两个重要的优化,别离是:
发音靠近真人,辞别机械式
发音准确度晋升,正确朗诵多音词
利用成果:
首先,咱们进一步降级了发音零碎,使中英发音尽可能靠近真人。
为了给用户带来更好的体验,有道 AI 团队选取了多种真人发音素材,从来自公司外部、实在用户和 native speakers 等人群中选取足够大的样本发放考察问卷,从 发音准确度、音色青睐度 等方面进行打分,并和业余的发音进行比拟,最终选取了目前版本中的音色。
一个彩蛋
在咱们选取的发音中,不乏一些 明星语音,小伙伴们能够猜猜她是谁?
Who is she?(01)
Who is she?(02)
(答案在文末揭晓)
在语言学习场景中,机械式的发音不仅让人感觉枯燥乏味,而且会影响书面语学习的成果。最天然、最现实的交互 莫过于通过人的声音进行交换。如何让智能学习硬件的发音靠近真人,是一个重要的课题。
中文:
机械式发音 – 中文
有道有限靠近真人发音 – 中文
英文:
机械式发音 – 英文
有道有限靠近真人发音 – 英文
同时,通过有道 AI 团队对语言模型的一直训练,有道词典笔的发音准确度再一次失去冲破,在扫描句子的过程中,有道词典笔能够疾速预判语义,轻松读对一些英语学习者和 AI 都非常容易读错的单词,比方「多音词」。
以蕴含“read 过来式”的句子为例,咱们来听听有道词典笔的发音和传统机械式发音:
She picked up the letter and read it.
她拿起信读了起来。
在本句中,动词 read 是过来式,应读作 /red/。
传统计划 – 误读多音词
有道 – 精准朗诵多音词
这些能力的背地,是 有道 TTS 语音合成技术 的加持。本文将会具体介绍有道 TTS 技术的相干思考和实际。
2. 有道 TTS 语音合成技术
有道 TTS 语音合成技术建模流程包含 文本剖析模块、声学模型模块和声码器模块。
2.1 基于开源 BERT 多任务的对立 TTS 文本剖析前端
文本剖析前端的次要作用是将语句转换为语言学特色,次要 是音素序列 和韵律特色, 其中音素序列决定 TTS 是否正确读对了文本;韵律特色决定 TTS 的进展地位、天然度等,这也是有道 TTS 技术可能实现靠近真人发音和正确朗诵多音词的关键所在。
传统的文本剖析模块会独自建模每个工作,并且串行解决效率较低,这种做法在嵌入式场景中难以实现性能和品质的均衡,多个工作拆散也会进步零碎的保护老本。
相比于传统计划,有道 AI 团队基于 BERT 预训练模型进行了多任务建模,将多个工作进行对立建模,大大提高了效率。
这些优化可能反对 TTS 前端的文本正则化、多音字判断、韵律预测等工作,使有道零碎可能在设施端合成 低发音谬误、韵律天然和感情丰富 的高质量语音。
有道词典笔场景 TTS 前端也面临一些 挑战:
- 满足靠近 100% 发音准确率要求;在中文、英文里,大量的多音字、多音词是影响发音准确率的关键所在,而且对于有道词典笔教育场景,古诗词、文言文正确读法也须要全量笼罩.
- 韵律特色建模,满足 TTS 合成进展天然、语义清晰需要。
- 词典笔设施资源无限,在满足上述两点品质的同时,还须要达到性能需求。
基于这些问题,咱们次要做了以下几个方面的工作,别离是 资源收集、模型试验、系统集成:
资源收集 :在资源收集阶段,借助有道独有教研资源,搜集整理多音字表,
联合词性、词义等细化多音字模型标签,使得建模更高效;在中文古诗词、文言文发音上,通过 ssml 技术将词典笔海量权威发音词典资源利用到 TTS 发音中;模型试验 :在模型试验阶段,前端蕴含有多音字、韵律预测、分词、词性预测等这些工作,
通过构建 bert 多任务模型,联结预测多音字、韵律、分词、词性工作,多个工作之互相促进不仅了晋升多音字模型和韵律模型的准确率,同时也节俭了参数量;最初通过蒸馏技术,小参数量多任务模型在保证质量的同时,也达到嵌入式性能要求;系统集成: 在系统集成阶段,工程化团队通过自研 bert pipeline 技术,更进一步优化了内存和推理工夫;
通过这些方面的工作,最终推出了 基于预训练模型的多任务架构 TTS 中英混前端,保障了 TTS 合成的发音正确性和韵律进展。
2.2 非自回归的 VAE 声学模型
声学模型的次要作用是将语言学特色转换为对应的声学特色。常见的神经网络声学模型大抵能够分成两大类:
一是自回归声学模型:比方 Tacotron、Tacotron2,长处是高天然度,毛病是性能较差;基于 attention 的自回归声学模型难以建模长语音,更容易呈现丢字、反复的景象。
二是非自回归声学模型:比方 Fastspeech、Fastspeech2,长处是并行生成声学特色,性能好,对长句建模足够鲁棒;毛病是韵律建模略差于自回归声学模型。
综合品质和性能,有道 AI 团队最终抉择了 基于 VAE 的非自回归声学模型。起因在于它有以下劣势:
在鲁棒性方面:好于 Tacotron2;
在性能方面:和 Fastspeech 一样快,快于 Tacotron2;
在品质方面:靠近 Tacotron2,相比 Fastspeech 更易于训练。
同时,咱们针对 一部分算子的计算耗时占总时长比例较大的 问题进行了工程上的优化,进一步改善了零碎整体的实时率。
另外,还对模型进行了量化,升高了模型的内存。
2.3 基于 GAN 的声码器
声码器的作用是将声学模型输入的声学特色转换成语音时域信号。它间接影响着合成语音的音质,因而对于用户体验来说至关重要。
在有道智能硬件产品理论落地开发中,声码器技术的研发面临着几大难点问题:
一是音质问题。声码器模型的建模能力有余,会间接导致合成语音产生底噪或者电音。但如果仅仅只是单纯地加大模型的参数,则会影响零碎的推理速度。
二是性能问题。声码器的计算量在语音合成的整个框架中占比拟大。要在嵌入式场景中合成高质量的语音,须要一个足够大、建模能力足够强的声码器模型。
但因为设施芯片的算力弱、内存小,大的声码器会导致体验延时显著回升。从用户的角度登程,延时过长,用户等待时间过久,天然不会有好的体验成果。
为了解决以上难题,通过大量试验和综合比对,最终有道 AI 团队抉择了基于 GAN 计划的声码器。
任何学术上的计划要实现成工业界的产品,都须要进行大量的试验和打磨。
首先是针对不同场景应用不同的模型配置,有道 AI 团队对 GAN 声码器中的生成器模块进行了参数的粗疏调整,让它可能胜利利用在嵌入式场景下,不同于传统参数声码器的机械感与含糊感,基于 GAN 的神经网络声码器能够合成高天然度、高清晰度的音频,缩短了离线 TTS 和在线 TTS 品质上的差距。
此外,咱们还在模型的量化、压缩方面做了大量的工作,大大晋升了语音合成的速度,明显降低了零碎的资源占用。
3. 总结
在智能硬件产品人机交互中,语音合成技术扮演着十分重要的角色,但在落地中面临着很多挑战,其外围是硬件计算资源与合成语音品质之间的矛盾。
如何更快地、更稳固地在无限资源下提供高质量的语音合成技术是有道 AI 团队的指标和关注的重点。
目前,有道 TTS 语音合成技术已利用在许多外部和内部的在线场景和嵌入式场景,并体现出了绝对传统计划更加稳固、更加鲁棒的合成成果。
— END —
彩蛋答案