现在大家地图导航软件中的听到的明星音，针对导航场景录制了几千句的语料，不仅声音生涩感强，而且需要的成本和周期较长，在其他领域的声音效果不是很好。如果用户预期不苛刻，这样一种方式也未尝不可。

另一种是基于单元挑选和波形拼接的语音合成，或者叫做拼接合成、拼接法，与参数法相反，优点是合成语音自然度很好，缺点就是数据要求太大，至少万句语料才能满足商用需求，一些厂商会请声优为其智能产品录制语料库，前后时间长达数月，花费动辄几百万。

猎户星空：十段话合成人声

鱼和熊掌不可兼得，传统的TTS存在着或多或少的问题。所以这个领域的核心，在于如何降低训练成本，用更少的语料合成高质量的声音。

随着人工智能、深度学习的应用，TTS也迎来了新的变革。2017年3月，Google 提出了一种新的端到端的语音合成系统：Tacotron。它可将接收的输入字符，输出成相应的原始频谱图，然后提供给Griffin-Lim重建算法生成语音。2017年底，Tacotron 2结合了WaveNet和Tacotron的优势，不需要任何语法知识即可直接输出文本对应的语音。

在已有的技术创新铺垫下，猎户星空TTS团队在Tactron的基础上，训练了大语料库的语音库作为基础模型，目标发音人只需要录制10段话，通过Adapt自适应模型，提取出目标发音人的特征，再通过World声码器，即可合成出目标发音人音色相同的语音。

所以，这项技术真正落地商用后，将为明星语音、个性化语音的合成带来重大突破，尤其是很大程度上减少明星音合成的成本、缩短应用研发的周期。

相关报道: