打破傳統語音合成鏈路，端到端生成

原標題：AI說書媲美真人！豆包語音大模型升級長上下文理解
文章來源：量子位
內容字數：2445字

豆包語音模型：AI 合成有聲書，媲美真人主播

本文總結了量子位公眾號文章中關于豆包語音模型在AI有聲書合成方面的技術突破。該模型在原有Seed-TTS框架的基礎上，通過一系列改進，實現了高表現力、高自然度、高語義理解的小說演播效果，其合成語音效果已達到一流真人主播的90%以上。

1. 挑戰與突破：超越傳統TTS

市面上許多語音模型已能生成自然的聲音，但在音質、韻律、情感以及多角色演繹方面仍有提升空間。尤其在小說演播領域，要達到一流主播的細膩程度，需要精準表達角感、區分旁白和角色、以及確保不同角色的區分度。傳統TTS需要人工標注對話、旁白、情感和角色等信息，而豆包語音模型則實現了端到端合成，無需額外標簽，顯著提高了效率。

2. Seed-TTS框架的改進與創新

豆包語音模型基于Seed-TTS框架進行改進。Seed-TTS本身包含四個主要模塊：Speech Tokenizer、Autoregressive Transformer、Diffusion Model和Acoustic Vocoder。豆包團隊的改進主要體現在以下幾個方面：

1. 數據處理：對小說音頻進行章節級別處理，保證了長文本語音的一致性和連貫性。
2. 特征融合：融合TTS前端提取的音素、音調、韻律信息和原始文本，提升發音和韻律的同時，保留小說語義。
3. 結構調整：將Speech Tokenizer改為Speaker Embedding，擺脫了參考音頻對語音風格的限制，使同一個發音人能夠在不同角色上進行更貼合人設的演繹。
4. 上下文理解：在目標合成文本之外，額外加入上下文信息，使模型能夠感知更大范圍的語義信息，從而更精準地表達旁白和角色。

這些改進最終使模型在CMOS評分中達到了與真人主播90%以上的相似度。

3. 技術落地與未來展望

豆包語音大模型團隊以王明軍、李滿超兩位演播圈大咖的聲音為基礎，利用該技術合成了上千部有聲書，已上線番茄小說平臺，涵蓋歷史、懸疑、靈異、都市、腦洞、科幻等多種題材。未來，該團隊將繼續探索前沿科技與業務場景的結合，致力于提供更極致的聽書體驗。

4. 總結

豆包語音模型通過對Seed-TTS框架的改進和創新，在AI有聲書合成領域取得了顯著進展，其技術突破不僅提高了合成語音的質量和自然度，也簡化了生產流程。這項技術不僅為聽書用戶帶來了更好的體驗，也為有聲書產業的發展帶來了新的可能性。

聯系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關注科技行業新突破