导语:全世界有数千种语言,最具语言天赋的人也只能说数十种,普通人能够学会两三种语言已属不易。然而,在科技日新月异的今天,具备自然语言对话能力的AI已经能够掌握上百种语言,扩展人类自身能力,为不同场景的跨境语言服务打开了更多可能性。
近期,微软宣布Azure Neural TTS(神经网络版文本转语音)新增160个声音模型。更新后,微软语音支持全球129个国家和地区的语言,提供334个声音模型供用户选择。随着Azure 认知服务功能从支持语音转文本、OCR,扩展到对超百种语言的翻译,Azure AI距离消除全球语言障碍的目标又迈进了一大步。
图:微软Azure Neural TTS支持语言和声音列表
同时,语言数量、声音风格的不断增加,也让Azure Neural TTS能更好地满足企业跨区域、多语言业务发展的需求。无论是电话营销、客服支持、导航播报、语音助手、游戏语音等业务场景,还是在旅游、教育、长音频等更广泛的行业领域中,企业利用这项服务即可将文本转换成更多样、极具本土特色且媲美人类的AI声音。
Azure Neural TTS此次更新的64种语言和口音中,既有2亿人使用的孟加拉语、1亿人使用的波斯语、6000万人使用的爪哇语等语言,也有少数人使用的语言,如高棉语、祖鲁语、普什图语、冰岛语等。
微软Azure认知服务不断扩展自身能力,借助低资源TTS技术,以领先于行业的速度持续扩展所支持的语言数量,对于缺乏平行语料的小语种也有更好的支持,并且还能用更少的数据训练出高质量和多元化的语音模型,让AI语音更加声入人心。
点击声音示例,声临其境地感受新语言。
示例:am-ET Ameha 阿姆哈拉语 (埃塞俄比亚)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/amET-Ameha.wav
示例:bn-BD Nabanita孟加拉语(孟加拉国)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/bnBD-Nabanita.wav
示例:fa-IR Dilara波斯语(伊朗)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/faIR-Dilara.wav
示例:km-KH Piseth高棉语(柬埔寨)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/kmKH-Piseth.wav
示例:my-MM Nilar 缅甸语(缅甸)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/myMM-Nilar.wav
示例:zu-ZA Themba 祖鲁语(南非)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/zuZA-Themba.wav
不同国家和地区的人们在说同一种语言时会产生不同的口音和使用习惯,有着不同的风格。点此链接了解此次口音数量更新的更多信息。
点击口音示例,感受更接地气的英语口音。
示例:en-KE Asilia 肯尼亚口音英语 (肯尼亚)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/enKE-Asilia.wav
示例:en-NG Abeo 尼日利亚口音英语(尼日利亚)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/enNG-Abeo.wav
示例:en-TZ Imani 坦桑尼亚口音英语(坦桑尼亚)
链接:https://tts.blob.core.windows.net/garhe/202110%20release/enTZ-Imani.wav
活泼、甜美、深厚,更多声音风格任你选
在最新版本中,Azure发布了包括英语(英国)、法语(法国)和德语(德国)在内的36个新声音模型(预览版),涵盖多种音色和风格,为不同场景带来多样化选择。(注:这些声音处于公开预览阶段,目前在美国东部、西欧和东南亚地区使用。)
点击声音风格示例,感受丰富多彩的个性化声音。
示例:en-GB Alfie 英国口音英语 – 英语
示例:en-GB Hollie 英国口音英语 – 英语
示例:en-GB Maisie 英国口音英语 – 英语
在XYZ-Code底层AI框架的支持下, Azure认知服务正在为更多人提供逼真、自然、接地气的语音体验。同时,微软的所有技术进步都接受微软负责任的AI流程的指导,并遵循公平、包容、可靠性与安全性、透明、隐私与保障、负责的原则。
截止目前,Azure认知服务的文本转语音模块提供了344个声音,支持129个国家和地区的语言,可为全球用户提供多样化语言、语音服务。值得一提的是,Azure神经网络版声音定制服务还可以让企业以多种语言和风格打造专属的品牌声音。
现在就通过Azure认知服务官网来体验极具特色的文本转语音服务,或定制你的专属声音吧。
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。