科大讯飞升级语音合成技术：一句话就能复刻还能调整情绪

从要录上数十个小时的语音素材，到录入几段话，再到现在仅用一句话就能复刻声音，语音合成技术有了新突破。6月26日，科大讯飞语音合成技术全新升级，一句话声音复刻与超拟人合成两大核心能力实现突破。

在智能语音领域，科大讯飞声音复刻效果的核心指标始终围绕相似度与准确度两大维度展开。相似度决定“第一耳印象”，包含音色特质及风格韵味；准确度则关乎声音复刻是否好用，确保发音标准、停顿自然、语气连贯。

此次讯飞技术突破的关键，除了星火语音大模型底座的基础和持续迭代，还构建了一套三阶段层次化语音建模框架。首先，通过星火底座大模型精确捕捉发音规律和韵律特征。其次，在音色恢复阶段解耦并重构声学特征。最后，通过高精度声码器恢复高保真波形。

而在需要深入交流的场景里，仅有相似音色并不足够。讯飞的超拟人合成技术则赋予AI声音以“上下文情商”。面对多轮对话的复杂度，科大讯飞开发了上下文感知的语音生成系统。该系统融合历史文本及对应音频特征，通过跨模态编码器分析上下文，让AI声音能像真人一般敏锐响应情绪转变和话题转换。在真人与AI声音的对话测试中，随着话题和情绪变化，合成声音的语气会实时调整，给出恰如其分的情感回应，整体自然度接近真人水平。

目前，蔚来、奇瑞、广汽、长城、日产、本田等主流车企选择了讯飞超拟人技术，重塑车内智能交流体验。在数字内容创作领域，讯飞智作平台的超拟人数字人技术实现“一张照片+一句话录音”定制专属虚拟人，其唇形同步率高达98%。该技术已帮助天津大学教师打造慕课个人IP，简化教学视频制作流程。医疗场景中，搭载情感合成技术的导诊机器人使用方言与老年患者交流时，对话自然度也有大幅提升。

科大讯飞研究院院长刘聪表示：“我们希望声音不止于工具，更成为承载情感与个性的新维度。”

南方+记者 郜小平