主页> 创业新闻> 成立快两年,阿里巴巴达摩院都干什么了?

成立快两年,阿里巴巴达摩院都干什么了?

励志人生网 2019-07-11 11:53 创业新闻 128次

达摩院成立快两年之际,机器智能技术实验室抢先展示了一下成绩。

2017 年 10 月,阿里成立了达摩院,覆盖 5 个研究领域,建有 14 个实验室。除了上述的“机器智能”,达摩院研究大方向还有数据计算、机器人、金融科技、X 实验室。


成立快两年,阿里巴巴达摩院都干什么了?


机器智能技术实验室侧重于 AI 相关技术的基础研究,旗下设有语音实验室、视觉实验室、语言技术实验室、决策职能实验室、以及城市大脑实验室。

近日,达摩院机器智能技术实验室举办了一场小型媒体沟通会,几位技术专家向外界介绍了最新成果和进展。


成立快两年,阿里巴巴达摩院都干什么了?


兼具表现力和稳定性的语音合成技术

首先,机器智能技术实验室正式发布了新的语音合成技术 KAN-TTS(KAN 指的是 Knowledge-Aware Neural)。TTS(Text-To-Speech,文本到语音)是一种将文字转化成语音的技术,智能音箱、个人虚拟助理都需要这种技术支持。

达摩院机器智能语音实验室高级算法专家雷鸣介绍,当前业界商用系统的合成语音与原始音频录音的接近程度,通常在85%到90%之间,而基于KAN-TTS技术的合成语音可将该数据提高到97%以上。

简单来说,KAN-TTS 合成的语音更加像真人的语音,“接近真人韵律的感觉”。

“我们新一代的 TTS 解决方案深度融合了传统 TTS 和端到端 TTS,基于不同领域的深层 Knowledge。”雷鸣介绍道。

所谓端到端 TTS,即不依靠领域知识,基于强大的深度学习模型、海量数据来生成音频,优势是大大节省设计的工作,并且得到更加流畅、表现力更好的合成语音,但需要大量计算力支持,而且会出现丢字、漏字等不稳定的情况。Google 的 Tacotron 和 DeepMind 的 WaveNet 都是典型的端到端 TTS 模型。

而传统 TTS 需要花费大量时间和精力去了解相关的领域知识,设计难度较高,但胜在合成的语音比较稳定。

通过将传统 TTS 和端到端 TTS 的结合,KAN-TTS 结合了两者的优势,充分利用不同领域的深层 Knowledge,合成表现力和稳定性具佳的语音。

针对不同的需求,机器智能技术实验室提供了“开箱即用”的 TTS 产品,覆盖 5 大场景(通用场景、客服场景、童声场景、英文场景和方言场景),具备 34 个高品质的声音。


成立快两年,阿里巴巴达摩院都干什么了?



除了“开箱即用”的声音,达摩院这个语音合成方案还能让专业用户定制声音。

传统语音合成定制需要 10 小时以上的数据录制和标注,对录音人和录音环境要求很高。“从启动定制到最终交付,需要半年时间”。而达摩院利用Multi-Speaker Model与Speaker-aware Advanced Transfer Learning相结合的方法,将语音合成定制成本降低 10 倍以上,周期压缩 3 倍以上。

也就是说,用 1 小时有效录音数据和不到两个月制作周期,就能完成一次标准 TTS 定制。

此外,普通用户也可以自己定制“AI声音”,只需手机录音十分钟,就能获得与录制声音高度相似的合成语音。

语音、自然语言、视觉各领域都有新成绩

除了公布新语言合成方案,机器智能技术实验室还亮出了新成绩。

机器智能技术实验室透露,阿里AI在国际顶级技术赛事上获得了 40 多项世界第一,入选了近 400 篇国际顶会论文。具体到细分领域,机器智能技术实验室最近都有不同建树。

语音领域, 2019 年 1 月机器智能技术实验室在国际顶级对话系统评测大赛(DSTC-7)上获得双料冠军,将人机对话准确率的世界纪录提升至94.1%,并于 2019 年 7 月开源了创造这一记录背后的人机对话模型 ESIM。

事实,该算法模型提出了两年多,已被包括谷歌、facebook在内的国际学术界在 200 多篇论文中引用。


成立快两年,阿里巴巴达摩院都干什么了?


自然语言理解方面,机器智能技术实验室在 6 月的 MS MARCO 文本阅读理解挑战赛中,击败了 Facebook和微软,创造了阅读理解能力测试的新纪录,并在开放域问答任务上超越人类阅读水平。

MS MARCO 挑战赛是 AI 阅读理解领域的权威比赛,参赛机构提供的 AI 模型需要在搜索引擎返回的网页文档中,找出 100 万个问题的正确答案。

网站分类
标签列表