车圈最大AI「黑马」吉利：自研语音大模型登顶，性能超SOTA 10%

贾浩楠 发自 凹非寺
量子位 | 公众号 QbitAI

语音合成大模型赛道，王者一夜易主。

最新HAM-TTS大模型，在发音准确性、自然度和说话人相似度上对比之前SOTA成果VALL-E，有了大幅提升。

背后的主要科研团队却是LLM赛道今年最令人意外的一匹“黑马”：

吉利汽车。

没错，不是AI原生公司，不是传统的科技巨头，是以汽车知名但正在不断展现硬科技实力的吉利。

吉利星睿AI大模型，有什么用？

吉利自研语音大模型HAM-TTS的全称是：

Hierarchical Acoustic Modeling for Token-Based Zero-Shot Text-to-Speech，直译是基于token的零样本文字转语音分层声学建模，是星睿AI大模型体系下的重要一员。
顾名思义，对于智能座舱体验来说，这项技术作用在最关键的交互环节：“发音”。

语音助手说的好不好，通常有这么几个评价指标：

发音准确度，通过Character Error Rate（CER）来评判，具体由知名端到端语音模型平台ESPNet来打分。

说话风格的一致性NMOS、音调一致性SMOS，以及整体分数MOS，是由研究团队招募的60人团队进行主观判断评分。

总体来看，同样在4亿参数左右的规模下，HAM-TTS模型相比SOTA的VALL-E模型，字符错误率下降1.5%左右。

完全体8亿参数的HAM-TTS模型，相比VALL-E，字符错误率直接下降2.3%。

在风格一致性、音调一致性以及整体得分上，HAM-TTS模型有10%左右的提升。

在智能座舱的交互场景中，比如联动虚拟形象、自定义人设、语音导航、新闻播报、绘本朗读、说书、直播等等，背后都离不开星睿语音大模型提供强大的技术支持能力。

星睿语音大模型有了更好的辨识能力，知道该如何更好地维持说话人声音的音色稳定性和连贯性，不会出现音色突变。

无论是新闻播报的专业场景讲段子的轻松氛围，还是读绘本的温馨时刻，还能够根据特定场景需求，智能调节语气、语调、停顿和情感等多维度参数。用户都能拥有更沉浸、自然、生动的个性化语音交互体验。

其次是跨语种无缝切换，不管用户提供哪个语种哪种方言，都能在保持音色一致的条件下，流畅使用中文或英文进行语音合成。

你说方言输入，系统能直接转换成普通话输出，甚至是其他不同的方言输出。
现在已经支持四川话、粤语、东北话等多种方言合成，甚至还支持日韩及东南亚跨语种语音合成。

而且最重要的是，星睿语音模型在声音复刻能力上，最短仅需要3秒钟的样本输入，相比行业普遍的10s样本需求有了重大提升。

这其实是在用户体验层面，星睿语音大模型最大的学术价值——通过创新声音合成技术和数据增强策略，改善了TTS模型的性能和训练成本。

吉利怎么做到的？

TTS模型一直广泛应用在文字转语音的各种交互应用中，常规模式是“文本处理——提取声学特征——语音合成”三个步骤。

前两步都有标准可循的规则算法，一般都在最后语音合成这一步应用神经网络，通常模型也不大。比如语音合成模型的开山之作VALL-E，从16块V100 GPU的训练配置上看，规模并不算大，4亿参数左右。

但输入文本直接和语音token进行拼接作为大模型的输入，缺乏足够的语义信息来约束模型，或者说文本和语音没有做好“对齐”。这也就造成传统TTS模型存在发音准确率低、说话风格和音色不一致的问题。

这个问题可以通过大量多样化训练数据来解决，但这样一来研发周期和成本就会升高。

吉利的解决方法是在传统TTS模型结构中，引入分层声学建模方法：

具体来说引入了一个Text-to-LVS predictor（文本到隐空间变量序列预测器），即由文本预测出蕴含重要的声学信息和语义信息的隐变量，作为补充信息。在推理阶段，这些隐变量信息与文本prompt信息一起，作为大模型的输入。

这样一来能够显著改善了合成语音中的发音错误和风格突变的问题。并且在训练过程中，还会替换和复制数据段，以提高音色的均匀性。

在训练阶段，模型中还引入一个对齐器*（Text-HuBERT Aligner）来生成监督LVS，用于辅助Text-to-LVS predictor的训练。它把文本（音素）序列与语音的HuBERT特征对齐，生成与音素序列长度相同的监督LVS序列。

在提取音频特征后，还引入了K-means聚类处理，目的是为了去除原始音频特征中的说话人个性化信息，使得模型更加关注于语音的共性特征，从而提高模型的泛化能力，以及合成语音的音色一致性。

提高语音合成准确性的同时，团队还采用了基于UNet架构的声音转换预训练模型，生成大量具有不同音色但内容相同的合成语音数据，以此来增加训练数据的多样性和数量，从而提高TTS模型的性能和泛化能力。

首先，从语音数据中提取HuBERT特征和基频（F0），然后将这些特征输入到一个ResNet模型中进行处理。随后，数据经过编码下采样和解码上采用过程，最终还原成音频信号。在解码器上采样阶段的每一步，引入目标说话人embedding特征，实现改变说话音色但不改变说话内容的效果。

一举三得，首先是解决真实数据不足的问题，其次是规避了版权、隐私风险，以及有效解决数据稀疏（如罕见的发音、特定的口音或语调）的问题。

使用不同组合和规模的真实（Real）和合成（Synthetic）数据训练HAM-TTS型，结果显示，真实和合成数据综合进行训练，模型性能效果提升最明显。

吉利的语音大模型SOTA了，怎么解读？

之前不被各个厂家重视的智能座舱corner case，吉利正在用算法能力提出解决方案，完成的是智能汽车“最后一公里”的体验提升。

这部分研发最耗时费力，对技术能力的要求也最高：

不但要明白最先进的模型好在哪，还要搞清楚它哪里不足，并且针对性提出改进。

AI大模型这本书，大部分汽车厂家只翻开了“前言”就已经大呼头疼，但吉利不但吃透，还做起了“批注”。

而且是实打实的论文一作，团队绝大部分成员也都是吉利的科学家——星睿语音大模型的“归属权”没有争议。

“自研”反复被重新定义的车圈，吉利是一股清流。

按照这个思路追踪，发现这样的例子还有更多。

比如吉利星睿AI大模型体系，包括语言大模型、多模态大模型、数字孪生大模型3大基础模型，并由此衍生出NLP语言大模型、NPDS研发大模型、多模态感知大模型、多模态生成大模型、AI DRIVE大模型、数字生命大模型等等，构建起了整个智能汽车的AI技术底座。

再比如算力方面，睿智算中心的云端总算力已由去年的81亿亿次/秒，扩容到102亿亿次/秒。

星睿语音大模型背后体现出来的，是吉利“技术爆炸”：算法能力、大模型的体系化能力、数据能力领先行业，也给行业提供了新方案选择。

这是在电动化旗开得胜之后，吉利在智能化领域的一鸣惊人。

但对于吉利而言，整体开拓还不止于此，这几年不光是汽车业务相关的核心技术投入，在更广泛的底层科技层面，吉利也不断展现着龙头角色，在卫星、芯片、操作系统等最核心科技突破上，吉利之力，都越来越藏不住了。

是时候重新认知吉利了。

论文地址：https://arxiv.org/abs/2403.05989