愛奇藝舉辦“多說話人多風(fēng)格音色克隆大賽” 加速AI語音在視頻行業(yè)應(yīng)用
11月27日，愛奇藝多說話人多風(fēng)格音色克隆大賽（M2VoC）發(fā)布詳細(xì)參賽指引。本屆大賽由愛奇藝專家團(tuán)隊(duì)組織舉辦，旨在提供一個(gè)通用的數(shù)據(jù)集與一個(gè)公平的測試平臺(tái)，對(duì)語音克隆任務(wù)進(jìn)行研究。作為世界上第一個(gè)小資源音色克隆挑戰(zhàn)賽，愛奇藝多說話人多風(fēng)格音色克隆大賽的舉辦，為音色克隆、語音識(shí)別等前沿技術(shù)的創(chuàng)新探索提供更多機(jī)會(huì)，進(jìn)一步拓寬人工智能技術(shù)的應(yīng)用空間，為視聽行業(yè)發(fā)展提供新契機(jī)。
作為人工智能中一項(xiàng)創(chuàng)新技術(shù)，語音合成是打造良好交互體驗(yàn)的重要前提，在語音助手、信息播報(bào)、有聲讀物等方面具有重要應(yīng)用價(jià)值。在深度學(xué)習(xí)的幫助下，語音合成已經(jīng)實(shí)現(xiàn)效果上的顯著提升，在端到端語音合成框架與神經(jīng)聲碼器的技術(shù)加持下，可以生成特定領(lǐng)域內(nèi)非常逼真和自然的語音。但與此同時(shí)，由于語音合成需要大量的語料數(shù)據(jù)和較高要求的語料錄制環(huán)境，語料制作的資金成本和時(shí)間成本也成為技術(shù)提升的難點(diǎn)。對(duì)于多說話人和多風(fēng)格的語音合成，尤其是在真實(shí)環(huán)境錄制或是低資源的情況下表現(xiàn)力和魯棒性（穩(wěn)固性）仍有較大進(jìn)步空間，就此，愛奇藝聯(lián)合多家單位在ICASSP2021舉辦多說話人多風(fēng)格音色克隆大賽（M2VoC），以降低對(duì)訓(xùn)練語料數(shù)量和質(zhì)量的依賴，提高合成模型質(zhì)量為導(dǎo)向，在語料資源受限的條件下，提高合成語音的可懂度和自然度。
在2020年11月27日至2021年2月11日期間，愛奇藝多說話人多風(fēng)格音色克隆大賽分為少樣本賽道和極少樣本賽道兩大任務(wù)。在少樣本賽道方面，主辦方針對(duì)每個(gè)說話人有不同的說話風(fēng)格和100個(gè)可用的音色克隆樣本進(jìn)行校驗(yàn)和最終測試，并為參賽者提供一個(gè)多說話人語料庫，以便于訓(xùn)練基礎(chǔ)模型；在極少樣本賽道方面，主辦方針對(duì)每個(gè)說話人不同的說話風(fēng)格和5個(gè)可用的音色克隆樣例進(jìn)行校驗(yàn)和最終測試。最終，主辦方經(jīng)過“說話人相似度、語音質(zhì)量、風(fēng)格/表現(xiàn)力、發(fā)音準(zhǔn)確率”四大標(biāo)準(zhǔn)加權(quán)作為比賽評(píng)判標(biāo)準(zhǔn)。本次愛奇藝多說話人多風(fēng)格音色克隆大賽（M2VoC）是世界上第一個(gè)小資源音色克隆挑戰(zhàn)賽，在此之前業(yè)內(nèi)比賽普遍使用使用較大數(shù)量單一風(fēng)格樣本。
作為2021年聲學(xué)、語音和信號(hào)處理國際會(huì)議（ICASSP2021）信號(hào)處理挑戰(zhàn)旗艦任務(wù)之一，多說話人多風(fēng)格音色克隆大賽（M2VoC）非常鼓勵(lì)學(xué)術(shù)界和工業(yè)界的研究人員加入。愛奇藝希望通過多說話人多風(fēng)格音色克隆大賽的舉辦，聯(lián)合更多科研人才基于先進(jìn)的深度學(xué)習(xí)技術(shù)和語音轉(zhuǎn)換技術(shù)處理，克隆多說話人與多風(fēng)格的語音合成，為低資源語音克隆提供解決方案。同時(shí)，多說話人多風(fēng)格音色克隆大賽也可進(jìn)一步提升用戶在觀看視頻時(shí)的交互體驗(yàn)，推進(jìn)音色克隆技術(shù)的發(fā)展和應(yīng)用。
科技發(fā)展推動(dòng)著行業(yè)的快速進(jìn)步。知名市場調(diào)查公司Global Industry Analysts預(yù)測，全球語音和語音識(shí)別技術(shù)市場在未來七至八年內(nèi)將增長至160億美元，復(fù)合年增長率為16％。一直以來，愛奇藝持續(xù)以人工智能技術(shù)賦能內(nèi)容創(chuàng)作，提升用戶娛樂體驗(yàn)，不斷完善愛奇藝新娛樂生態(tài)。目前，愛奇藝AI技術(shù)已經(jīng)應(yīng)用于內(nèi)容創(chuàng)作、生產(chǎn)、制作、分發(fā)、商業(yè)化等一整套流程。其中，愛奇藝智能廣告追蹤系統(tǒng)通過多種識(shí)別服務(wù)，能夠快速追蹤到視頻中廣告出現(xiàn)的時(shí)間、位置，確保節(jié)目滿足了廣告主的廣告需求，相較于人工效率提升三倍。未來，愛奇藝將不斷探索語音AI技術(shù)，并激發(fā)語音AI技術(shù)在泛娛樂行業(yè)中各個(gè)場景的巨大應(yīng)用價(jià)值，為用戶創(chuàng)造更美好的視聽世界。