让米粉为之疯狂的声音克隆技术：深声科技如何用90秒录音克隆出你的声音？

“通过克隆，把自己心爱之人的声音永久珍藏……这可能就是科技应该有的温度吧。”
与小米的最近一次合作中，深声科技为其提供了声音克隆技术，应用在其最新发布的小爱同学定制声音功能上，能让米粉合成自己的、甚至是父母、儿女、恋人的声音，同时还支持音色分享功能。比如，明星将自己音色分享给粉丝后，就能通过声音实现明星和粉丝的“常相伴”。

智能语音助手这个颇具想象力的AI应用，正逐渐成为智能终端的基础功能，包括智能手机、智能家居、车载、陪伴机器人等，其普及率有了较大提升，而声音克隆技术的应用，很可能会加速整个进程。
说到声音克隆技术，并非深声科技所独有的，但与竞争对手相比，深声科技CEO周俊明表示：“声音克隆技术上，我们在音色还原度、发音准确率、音质清晰度等方面，具有明显的优势，手机语音助手是我们首个落地场景。”
声音克隆面临哪些技术挑战？
2020年1月中旬，深声科技声音克隆产品正式上线。在此期间，深声团队在众多竞争者中成功拿下了小米方的需求标的。作为与小米小爱同学的一次深度合作，深声科技将为之提供声音克隆核心技术支持。
包括双方的需求对接、内部评估，再到交付，前后用了1个多月时间。
与传统语音合成相比，声音克隆面临更大的技术挑战。首先，声音克隆需要C端用户配合录音，就不能对其录音环境和设备有过分要求。
我们会建议用户选择一个尽可能安静的地方，使用手机完成录音过程。
其次，考虑用户的体验，需要尽可能缩短录音的时长。
这就对我们有很高的要求，传统的语音合成需要几十分钟到几个小时的语音数据，相比之下，声音克隆的数据量少，对声学模型的训练有更高的要求，比如发音模糊、发错音、音素覆盖等一系列问题。当然，最重要的还是音色还原度的问题。
现在，用户只需配合朗读20句话短文本，大约录音90秒的语音数据，就能快速克隆出自己的声音，将个人的情感表达、发音特点等信息迁移到合成声音中，就连口音也能很好地克隆出来。