海螺语音让文本转语音更像真人

　　■ 梁筱

　　从机械齿轮到AI 之声

　　文本转语音（Text-to-Speech，TTS）技术，作为人机交互的重要桥梁，从早期的机械合成音到如今接近真人表现的自然语音，经历了数十年的技术革新。

　　早期的语音合成依赖规则驱动法，通过模拟人类发音器官的物理特性生成语音。然而，这种方法生成的语音生硬且缺乏自然感，仅能用于基础实验，直至2016 年DeepMind 推出WaveNet，彻底改变了TTS 技术格局。在AI 技术的加持下，TTS 技术正从“能说话”向“会思考”跨越，通过上下文感知和情感特征建模，现代TTS可调整语速、语调，甚至模拟“喜怒哀乐”，而以海螺语音为代表的中文TTS 平台能给大家带来多少惊喜呢？

　　庞大的音色库

　　海螺语音目前属于“限免”阶段，用户直接通过PC浏览器访问hailuoai.com/audio 即可使用。进入海螺语音首界面后，其庞大的音色库让笔者多少有些惊讶。目前，不少AI 视频工具都提供了文本转语音功能，但作为文/ 图生视频的附属功能，提供的音色库往往只具备十余种常见音色，充当聊胜于无的角色，而海螺语音作为专业的TTS技术平台，其音色库分为语言、口音、性别、年龄四个类别，用户可根据个人需要在类别下选择自己想要的音色（如图1）。

　　海螺语音每一个类别都提供了十分丰富的可选项，点开“语言”下拉菜单后，除看到最基础的中文- 普通话、英语外，更有俄语、西班牙语、越南语等种类可选，“口音”下拉菜单更是提供中国－南方、中国－北方、英语－美音、英语－印度口音等多个接地气的选项，对于初次使用的用户而言，大概率会造成“琳琅满目”的感觉。

　　用户看到感兴趣的音色后，可点击试听按钮，如果满意该音色的话，则可点击右侧收藏按钮，将其放到“我的音色”里面，进而打造自己的专属音色库，方便用户后面高效选择需要的音效。

　　能够输出情感的声音

　　熟悉海螺语音音色库并搭建自己的专属音色库后，即可点击左侧工具栏中的“文生音”项，进入正式的操作界面。UI 界面中央是“文字转语音”的内容输入界面，单次能转5000 字符（约2500 字）的文字内容，用户可以在句子之间插入“<#0.5#>”，这样就能添加0.5s 的停顿，让整个语音表达更自然流畅。完成文字的输入后，可点击右上角的模型下拉菜单，海螺语音目前提供T2A-01-HD、T2A-01-Turbo 两款模型供用户使用，前者适合对音质要求高的场景，后者主打生成效率（如图2）。

　　接下来用户就可以在UI 界面右侧的“调试台”进行细节设置了，首先要选择的是音色，这里可以从刚建立好的“我的音色”里面选择，接下来就是音色效果调节和输出情绪两个目前“限免”的体验功能了，前者可以从低沉、力量感、回声等多方面进一步优化预置音色，相当于让用户拥有独属于自己的音色。

　　而情绪方面则是预置了开心、难过、害怕、厌恶等多重情感，方便用户根据文字内容为语音融入相应情感，最后则是语速、声调、音量等常规参数的设置。

　　完成细节设置后，点击“生成音频”，静候几分钟即可获得自己想要的音频文件了。

　　克隆自己的声音

　　复刻自己的声音，有趣但多少有些风险，海螺语音目前将这一功能放到了海螺 AI 海外版上，用户同样在PC 浏览器上访问www.minimax.io/audio/voices 即可进入操作界面。

　　完成一系列账号登录后，用户只要进入“voice”模块，选择创建声音，并上传10 秒至60 秒长度的音频素材，就能对声音进行克隆。另外，系统支持12 种语言，包括中文、粤语、英语等，极大地满足了用户的需求。

　　当然，克隆声音涉及用户隐私，用户即便尝试体验，也一定要保护好自己的声音数据。

关注读览天下微信， 100万篇深度好文， 等你来看……