6 月 24 日消息微軟日前發布新一代深度神經網絡 HiFiNet 聲碼器，與微軟上一代語音技術相比，由 HiFiNet 聲碼器合成的神經網絡版聲音質量再創新高，主要體現在發音更準確、韻律更自然、高保真效果更完美，更受客戶青睞。自推出以來，被廣泛應用到有聲讀物、在線教育、車載語音助手等領域。
IT之家獲悉，HiFiNet 是微軟神經網絡版語音合成技術中最新的聲音編碼器，是決定音頻質量的關鍵因素。根據專業評估語音自然度的 MOS 測試結果顯示，由 HiFiNet 聲碼器合成的語音音質可與用于訓練的真人錄音樣本相媲美，并同時改善毛刺、噪音等音頻質量問題，輸出的音質具備更高保真度，更大程度還原真人錄音。
語音質量的優劣會直接影響收聽者的感受，為提升用戶收聽的舒適度，在 Azure 語音合成系統中，神經網絡聲學模型基于深度學習網絡，使用真人錄音作為原始數據進行迭代訓練。首先，提取真人錄音的聲學特征。然后，利用真人錄音的聲學特征自動生成兩組音頻：一組真實聲波(原始錄音)和一組偽波(合成聲波)。最后，由鑒別器區分真實聲波和偽波。隨著訓練次數的增多，聲波生成器也會愈發“聰明”，直至生成鑒別器也無法區分的偽波，這意味著機器合成的聲音已經和原始錄音相差無幾，從而給用戶帶來更貼近自然的體驗。
由微軟 HiFiNet 聲碼器合成的音頻質量更接近真人原始錄音。
采樣率越高，聲音還原越真實。Azure 神經網絡版語音合成聲學模型默認每秒鐘采樣 24,000 次 (24 千赫茲)，為還原特殊場景中更為復雜、細微的聲音內容，HiFiNet 聲碼器每秒鐘采樣 48,000 次(48 千赫茲)，滿足用戶對語音質量的嚴格要求，讓用戶盡享高清語音體驗。
除語音質量外，HiFiNet 合成速度較之其他模型也有顯著的提升，進一步提升了語音合成的實時率。據 RTF(Real Time Factor，實時率，用來測量語音合成速度的工具)測試結果顯示，HiFiNet 在 GPU 設備上運行的速度是第一代高性能聲碼器的 3 倍，在 CPU 設備上運行的速度是第一代高性能聲碼器的 2 倍。
目前，內置 HiFiNet 聲碼器的 Azure 認知服務神經網絡版語音合成服務已支持超過 70 多個國家和地區的語言，提供超過 170 個自然逼真的音色供開發者選擇。
