微软语音合成升级 HiFiNet 声码器，保真度及合成速度再创新高

 

微软日前发布新一代深度神经网络 HiFiNet 声码器，与微软上一代语音技术相比，由 HiFiNet 声码器合成的神经网络版声音质量再创新高，主要体现在发音更准确、韵律更自然、高保真效果更完美，更受客户青睐。自推出以来，被广泛应用到有声读物、在线教育、车载语音助手等领域。

HiFiNet 是微软神经网络版语音合成技术中最新的声音编码器，是决定音频质量的关键因素。根据行业公认的、专业评估语音自然度的 MOS 测试结果显示，由 HiFiNet 声码器合成的语音音质可与用于训练的真人录音样本相媲美，并同时改善毛刺、噪音等音频质量问题，输出的音质具备更高保真度，更大程度还原真人录音。

与微软上一代声码器相比

微软 HiFiNet 声码器合成的音质更高

语音质量的优劣会直接影响收听者的感受，为提升用户收听的舒适度，在 Azure 语音合成系统中，神经网络声学模型基于深度学习网络，使用真人录音作为原始数据进行迭代训练。首先，提取真人录音的声学特征。然后，利用真人录音的声学特征自动生成两组音频：一组真实声波（原始录音）和一组伪波（合成声波）。最后，由鉴别器区分真实声波和伪波。随着训练次数的增多，声波生成器也会愈发“聪明”，直至生成鉴别器也无法区分的伪波，这意味着机器合成的声音已经和原始录音相差无几，从而给用户带来更贴近自然的体验。

由微软 HiFiNet 声码器合成的音频质量更接近真人原始录音

HiFiNet 声码器训练示意图

采样率越高，声音还原越真实。Azure 神经网络版语音合成声学模型默认每秒钟采样 24,000次 （24千赫兹），为还原特殊场景中更为复杂、细微的声音内容，HiFiNet 声码器每秒钟采样 48,000次（48千赫兹），满足用户对语音质量的严格要求，让用户尽享高清语音体验。

音频采样频率与保真度对比示意图

除语音质量外，HiFiNet 合成速度较之其他模型也有显著的提升，进一步提升了语音合成的实时率。据 RTF（Real Time Factor，实时率，用来测量语音合成速度的工具）测试结果显示，HiFiNet 在 GPU 设备上运行的速度是第一代高性能声码器的 3 倍，在 CPU 设备上运行的速度是第一代高性能声码器的 2 倍。

目前，内置 HiFiNet 声码器的 Azure 认知服务神经网络版语音合成服务已支持超过 70 多个国家和地区的语言，提供超过 170 个自然逼真的音色供开发者选择。

[1]关于 HiFiNet，请访问：

https://techcommunity.microsoft.com/t5/azure-ai/azure-neural-tts-upgraded-with-hifinet-achieving-higher-audio/ba-p/1847860

[2]关于语音合成试用版，请访问：

https://azure.microsoft.com/en-us/services/cognitive-services/text-to-speech/#features

[3]关于语音合成的更多资料，请访问：

https://docs.microsoft.com/en-us/azure/cognitive-services/speech-service/index-text-to-speech

[4]关于示例代码，请访问：

https://github.com/Azure-Samples/cognitive-services-speech-sdk

了解更多：

• 微软深度神经网络语音，定制个性化的自然人声
• 如何让 AI 语音合成听上去更有“人情味”？
• 微软智能语音新增 5 个角色 “飙演技”
• 微软语音技术不断突破，加速各行业发展
• 人工智能语音技术支持“多情感程度”调节，细腻演绎“人声”
  

---