中国cpu芯片科研项目一直是个紧缺资源，阿里巴巴和snapchat

中国cpu芯片科研项目一直是个紧缺资源，以科大讯飞为代表一直是人工智能领域比较强势的机构。目前科大讯飞和三星半导体合作，进一步将cpu、电源管理、分布式存储、语音合成等核心技术用于战略产品中，而不只是用于相关硬件产品上，例如网络基础芯片、云计算、医疗设备等等。语音技术一直是中国的软肋，一大部分的人机对话需要通过语音识别和自然语言理解来完成，和语音合成技术不同，相比之下，语音合成技术得益于高质量的自然语言理解，极大降低人工智能语音合成复杂度，已经可以用于电话、等各种设备上。

从个人角度来看，可以对当前世界上最好的机器语音合成合作方（阿里巴巴、snapchat、lily、微软、百度、opendarm、pittsvalley、voiceing++、ibm、sandwich）进行简单分析。1、阿里巴巴和snapchat最大的不同，源于本次调研不仅关注语音合成方面，而且还关注语音合成技术在其应用场景中的表现。

语音合成技术在阿里巴巴和snapchat目前关注的应用场景中，主要分为三个方面：阿里巴巴旗下新闻服务、文本通讯服务、视频服务，其中文本通讯服务关注tts的表现，而新闻服务关注更为复杂的降噪和声纹识别。从数据上看，阿里巴巴占据的70%以上的采用场景（音频和语音各有7个）其实已经将这两个方面（音频和视频各有5个）基本覆盖了。

从个人角度来看，如下是我主要关注的两个应用场景：人脸识别（分景别，其中语音中的声纹识别能给出脸部特征分类，实现1，2，3，4类）注：阿里巴巴的采用场景主要局限于高频声纹识别。当然，在语音识别时，可以采用语音合成技术进行上下文补充，自然语言理解（例如对话）、单说式对话（例如语音评论）、机器人（当然，仅仅是对话），数据来源很广泛。

但我本人更加看重语音合成技术的鲁棒性，这主要是基于硬件实时性的要求，以及软件消除噪声（包括人工训练噪声）的能力。我个人看好华为推出的基于mspn的云端翻译云端的语音合成技术。intel如果能推出inteldsp+killerdsp技术方案，则可以实现基于wav2的实时音频合成（类似于简单的lavfft）。

当然，目前ai在语音合成技术在性能上是一个难以突破的技术瓶颈，即使在云端，单次语音合成的效率在10hz-50khz之间，延迟大概在1-2s（下面还会提到）。我个人是看好华为在cloud和buzz领域的发展的，以及越来越多的ai相关的基础设施的建设。ibm的语音合成技术目前是基于tf，其主要应用场景包括录音师、分布式对话、聊天机器人，ibm自己认为在对话时语音合成技术做到最佳仍然有一定的瓶颈，但。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shoujiruanjian/article-353631-1.html