来源丨量子位

近日，豆包语音模型基于原有Seed-TTS框架进一步加入上下文理解，实现了高表现力、高自然度、高语义理解的小说演播效果。


无需额外标签，端到端合成声音

市面上很多的语音模型已经能保证足够自然的合成表现，但在音质、韵律、情感，以及多角色演绎上还有探索空间。特别是在小说演播场景下，想要媲美一流主播细腻的演播效果，要做好旁白和角色的区分演绎、角色情感的精确表达、不同角色的区分度等。

传统的小说TTS生成方式，需要提前给对话旁白、情感、角色打标签，而Seed-TTS则可以做到端到端合成，无需额外标签标注。


△传统语音模型和豆包语音模型合成链路的区别

改进Seed-TTS技术，合成语音效果媲美真人

原始Seed-TTS（技术报告：https://arxiv.org/pdf/2406.02430）是一种自回归文本到语音模型，主要分为4个主要模块：Speech Tokenizer、Autoregressive Transformer、Diffusion Model、Acoustic Vocoder。

其中Speech Tokenizer解析了参考音频信息，决定了合成音频的音色和全局风格；Autoregressive Transformer接收传入的目标文本和Speech Tokenizer的输出，进而生成出包含语义信息的Semantic Token；Diffusion Model会基于Semantic Token建模出包含语音信息的Acoustic Token；Acoustic Vocoder负责将Acoustic Token重建还原出最终的音频。


△原始Seed-TTS架构


为进一步提升小说演播下的语音表现力和长文本的理解，豆包技术团队对Seed-TTS进行了改进。

  • 在数据上，小说音频做章节级别处理，保证了长文下的语音一致性和连贯性。
  • 在特征上，融合TTS前端提取的音素、音调、韵律信息和原始文本，提升发音和韵律的同时，保留小说语义。
  • 在结构上，将speech tokenizer改为speaker embedding，解除reference audio对于语音风格的限制，因而同一个发音人能在不同角色上作出更贴合人设的演绎。

  • 最后在目标合成文本之外，额外加入了上下文的信息，从而使得模型能够感知更大范围的语义信息，旁白和角色音表现更精准到位。

经过专业评测，优化后的豆包语音模型在小说演播场景，CMOS（Comparative Mean Opinion Score，与真人打对比分的一种主观评分方式）已达一流主播的90%+效果。

△优化后的豆包语音模型结构