现实版柯南变声领结！搜狗输入法变声功能发布，千人千声一键转换
没错，现在通过搜狗输入法就OK。
允中 发自 凹非寺
量子位 报道 | 公众号 QbitAI
不再是动画，也不再是科幻想象，AI再次带来梦想成真一刻。
在动画片《名侦探柯南》中，阿笠博士送给柯南的变声领结是柯南破案的重要道具，得益于它，柯南可以将声音伪装成其他人，在不暴露身份的情况下巧妙破案。
但或许你未曾想过，有一天，这个变声领结会真的出现在现实世界中，并且只需要在手机上轻轻一点就可以实现完美变声。
没错，现在通过搜狗输入法就OK。
现实版“柯南变声领结”
今天（5月21日），搜狗输入法就化身为了现实版的“阿笠博士”，正式推出“变声”功能。
该功能由搜狗知音团队支持，可以将任意说话人的声音实时变换到指定说话人的音色。
简而言之，只要用户在语音输入中输入想说的话，再选择一个喜爱的角色，就会瞬间把声音转化成该角色的声音，效果直逼柯南的“变声领结”。
虽然效果实现起来一步到位，但背后技术实现并不简单。
搜狗知音的语音技术团队，克服了诸多难以想象的现实困难。
其中最核心的问题是，每一个人的音调、音色和语言节奏都不尽相同，正如同世上没有两片相同的树叶一样，世上也没有两个完全相同的说话人。
如何将“千人千声”通过技术处理，变为同一种指定声音，同时还不丢失原说话人的语言习惯？
这不仅搜狗面临的挑战，也是国际上承认的技术难题。
技术剖析
搜狗知音主要从语音表征学习、语音合成等领域的展开突破。
首先，搜狗知音团队使用表征学习技术，先学习到源端说话人语音的音色、内容和韵律三大特征。
其次，将学习到的源端说话人音色特征替换成目标说话人。
最后，基于搜狗知音的端到端语音合成技术，使用内容(源端)、韵律(源端)、音色(目标端)三类特征合成最终变声音频，达到各个方位的相似和自然。
在表征学习上，对目标音色语料进行声纹特征编码，提取说话人的音色embedding，再分别从输入音频中学习内容和韵律embedding。
把“说话人归一化”模块对内容embedding进行统一规整，去除音色信息。
通过对音频特征的压缩编码及特征抽取，学习表征韵律的风格特征。
然后基于表征学习得到的特征，通过Attention和Decoder模块进行加权特征编码，并利用WaveRNN神经网络声码器恢复成波形，最终得到带有目标音色的音频。
这样一来，由源端音色到指定音色的转化就变得轻易而精密了。
在以上技术原理的支持下，搜狗知音的“变声”功能拥有三大功能亮点：
首先，还原度极高，变声到指定角色的音色与该角色的原始音色十分相似，几乎可以做到以假乱真。
其次，自由空间大，搜狗这一“变声”功能对用户本身的音色没有任何限制，每个人均可变声到预先指定的音色，真正具有“任意人变声到同一人”的能力。
最后，搜狗知音打破了音色转换的局限，将用户输入的语音内容、语速、停顿、情感等均转化为超高逼真度的指定角色声音，因此可以达到更自然的变声沟通。
目前，在搜狗知音“变声”功能中可供选择的角色横跨互联网、明星类、动漫类等多个类别，有近20种声音，包含周星驰、蜡笔小新、小猪佩奇等多个经典的角色，甚至还收录了搜狗CEO王小川的声音。
在聊天过程中，用户可以使用他们的声音完成“变装”，增添聊天过程中的趣味程度。
当然，用户一键使用最新技术的背后，也离不开工程师们的付出。
而且在类似的国际前沿的技术突破领域，中国AI公司正在用研究和论文打响名气。
在搜狗知音团队此次最新技术发布前，搜狗还联合清华天工研究院在5月17日的语音顶级峰会ICASSP 2019上，发布了关于“基于模态注意力的端到端音视觉语音识别”的学术论文。
全球AI华山论剑，中国创新正在 making different~
- AI模仿人类看漫画，视频大模型时序定位能力新SOTA2024-11-23
- 知乎整了场“AI上头俱乐部”学术酒吧，李开复看好中国大模型未来2024-11-22
- 大模型玩你画我猜：Claude6局3胜，GPT-4o表现迷惑2024-11-03
- 美图大模型升级视频生成能力，逐步落地美图秀秀/Wink/MOKI等产品2024-09-23
相关阅读
