北京冬奥会上，长宁企业科大讯飞量身打造了《冰冰带你说冬奥》专属H5，推出的“3D虚拟冰冰”，因为酷似央视主播王冰冰的眉眼和神韵，解锁了多达31种语言技能，迅速捕获了众多网友的心。

据了解，科大讯飞从央视C+MG动漫工作室得到王冰冰的卡通原画形象，再通过语音合成、语音识别、3D虚拟人肢体动作控制、AI口唇表情合成等多项人工智能技术，打造了一个总台记者王冰冰的虚拟形象。

原来，科大讯飞2021年率先发起了虚拟人交互平台1.0，这个平台具有“多模感知、情感贯穿、多维表达、自主定制”的特点。其中虚拟人发声的语音合成技术是科大讯飞语音合成团队10多年来一直在多语种合成领域默默耕耘，创造出来的成果。

团队在语音合成发展最快的两年时间里，快速、高效地完成了全球60个主要语种的合成研发，其中37个语种达到了与国际一流厂商并跑或者领跑的水平。

而这技术领跑的背后，是团队经历国际技术壁垒的压力。2019年1月科大讯飞进入美国实体清单后，为了打破技术壁垒，公司开始全面布局多语种，当时给他们语音合成团队定的初步目标是两年内完成37个语种的覆盖，并且效果对标国际最好的互联网巨头。“说实话，当时接到这个任务的时候，很有压力，同时也有信心把这个工作做好。”团队负责人高丽说道。

团队的压力来自于没有数据积累，同时小语种缺少语言专家的支持。对于合成来说，每个语言都需要找到专业且有声音特色的母语者，用专业的录音设备录制20小时以上的高品质音库。

“但是我们当时没有任何可以提供高品质发音人的录音渠道，团队规模也只有10人左右；新冠疫情的爆发，特别是国外疫情的持续，给我们数据的跨国采集以及寻找专家资源的支持，都带来了非常大的难度。同时基于我们当时的技术方案，两年内完成37个语种的国际并跑，是不可能的事情。”高丽介绍说。

于是，高丽的团队分成两步开展工作，一方面通过各种渠道进行发音人的拓展，截至目前团队已经累积了全球100多个发音人渠道；另一方面成立紧急研究攻关小组，研发了一套通用性强、稳健的新一代语音合成系统。“此外，因为很多语种没有一套比较完善的语言学理论作为基础，多语种合成难度相比中英文合成要大很多。所以，我们团队很多时候是在探索和研究语言学和工程学的高效融合。”高丽表示。

团队经过10年的积累，最终拥有属于自己的一套技术方法，且达到商用级别，目前已经应用到了手机、车载、翻译机、扫描笔等终端设备上。

“我们要始终保持一个开放、自省的心态，不断地吸收新鲜血液，给团队带来更多可能，同时我们要始终坚持‘用正确的方法做有用的研究’，这样你的需求在不断拓展，方法也在不断创新。”高丽介绍说，未来团队的创新技术可以服务于机器翻译、语义理解等方向，给消费者带来更多、更懂消费者的AI技术和产品。

同时，高丽期待团队研发出的AI语音合成技术，开展濒危语言的复刻，比如锡伯语、彝语等少数民族语言，上海话、苏州话、客家话等方言，传承人类文化瑰宝和保护濒危语言。（来源：上海长宁）

分享让更多人看到