NVIDIA專研對話模型 AI語音更像人

●報道：本刊 林德成
●圖：NVIDIA官方部落格

科技以往再怎麼日新月異，人工智能（AI）技術始終無法模仿真實的人聲，所合成的聲音終究與真人發音有所差距，畢竟我們說話有節奏、語調、情緒等等。不過，全球知名半導體公司英偉達（NVIDIA）日前在Interspeech 2021研討會上，發佈了最新的AI語音合成模型，可以捕捉和模仿人類說話的聲調細節。

在過去一年，NVIDIA的文本轉換語音研究團隊開發了RAD-TTS語音合成模型。該團隊使用真人的聲音來訓練RAD-TTS模型，讓它可以將任何文本轉換成真人說話的聲音，同時還能轉換聲音的音調。在RAD-TTS模型的操作介面，人聲被視為一種樂器，可以調整音調、持續時間和語音強度。根據NVIDIA早前上傳了一段演示視頻，這個AI模型可以將一段錄製好的音頻，從男聲變成女聲，還能調整音頻，讓聲音強調特定的單詞或更改語速。乍聽之下，或許一時無法分辨，但仔細分析就會聽得出有些偏差。

NVIDIA說，這項技術可以應用在銀行、零售商店的客服熱線，亦能讓遊戲中的人物在說話時，顯得栩栩如生。此外，這個AI語音合成模型能用在配音領域，其文本轉換語音的功能也可以幫助到語言障礙者。

相關稿件：

美國Pizza Hut出奇招 運用AI和天氣推薦餐點？

網民仿造Windows 11介面 在網頁免費測試練手