微软语音识别功能简介（微软语音合成技术升级编码器）

微软日前发布新一代深度神经网络HiFiNet声码器，与微软上一代语音技术相比，由HiFiNet声码器合成的神经网络版声音质量再创新高，主要体现在发音更准确、韵律更自然、高保真效果更完美，更受客户青睐。自推出以来，被广泛应用到有声读物、在线教育、车载语音助手等领域。

HiFiNet是微软神经网络版语音合成技术中最新的声音编码器，是决定音频质量的关键因素。根据行业公认的、专业评估语音自然度的MOS测试结果显示，由HiFiNet声码器合成的语音音质可与用于训练的真人录音样本相媲美，并同时改善毛刺、噪音等音频质量问题，输出的音质具备更高保真度，更大程度还原真人录音。

与微软上一代声码器相比，微软HiFiNet声码器合成的音质更高（见演示视频第1、2段声音）。

语音质量的优劣会直接影响收听者的感受，为提升用户收听的舒适度，在Azure语音合成系统中，神经网络声学模型基于深度学习网络，使用真人录音作为原始数据进行迭代训练。首先，提取真人录音的声学特征。然后，利用真人录音的声学特征自动生成两组音频：一组真实声波（原始录音）和一组伪波（合成声波）。最后，由鉴别器区分真实声波和伪波。随着训练次数的增多，声波生成器也会愈发“聪明”，直至生成鉴别器也无法区分的伪波，这意味着机器合成的声音已经和原始录音相差无几，从而给用户带来更贴近自然的体验。

由微软HiFiNet声码器合成的音频质量更接近真人原始录音（见演示视频第3、4段声音）

HiFiNet声码器训练示意图

采样率越高，声音还原越真实。Azure神经网络版语音合成声学模型默认每秒钟采样24,000次 （24千赫兹），为还原特殊场景中更为复杂、细微的声音内容，HiFiNet声码器每秒钟采样48,000次（48千赫兹），满足用户对语音质量的严格要求，让用户尽享高清语音体验。

音频采样频率与保真度对比示意图

除语音质量外，HiFiNet合成速度较之其他模型也有显著的提升，进一步提升了语音合成的实时率。据RTF（Real Time Factor，实时率，用来测量语音合成速度的工具）测试结果显示，HiFiNet在GPU设备上运行的速度是第一代高性能声码器的3倍，在CPU设备上运行的速度是第一代高性能声码器的2倍。

目前，内置HiFiNet声码器的Azure认知服务神经网络版语音合成服务已支持超过70多个国家和地区的语言，提供超过170个自然逼真的音色供开发者选择。

欲了解有关HiFiNet及语音合成的更多内容，请点击：关于HiFiNet、关于语音合成试用版、以及示例代码。