科大讯飞构建全新语音建模框架，降低AI声音复刻门槛

极目新闻通讯员 许可亮

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。据专业测评显示，科大讯飞一句话声音复刻技术在相似度、准确度等维度行业领先。

讯飞星火APP的“一句话声音复刻”功能自2024年4月上线以来，备受用户和行业认可。在智能语音领域，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。

这套语音建模框架突破了语义表征，采用mel VQ-AE模型结合语音自监督预训练编码器，并引入音色最小互信息约束，成功解耦出音色无关的离散语义token。这种结构实现了发音内容与音色特征的可控分离，也显著提升了语义LLM的建模稳定性。

在音色解耦表征能力的基础上，科大讯飞在声音复刻场景针对性进行两项关键技术的尝试与突破：音色编码增强——在声学模型中创新性地融合全局声纹嵌入与局部帧级音色编码，提取细粒度音色特征，并构建声纹空间语义一致性损失函数，显著提升音色恢复的相似度。强化学习——通过语音鲁棒性评价模型和人工标注构建偏好数据集，采用基于DPO的强化学习策略，大幅提升合成语音的稳定性和自然流畅度。只需一句话录音，AI就能完整捕捉用户喉腔共鸣、口音特点、气息流转等发音特征，精准还原用户的停顿习惯、情感起伏和呼吸节奏，达到真人难以区分的复刻效果。

从曾经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，语音合成技术一直在向更快、更好、更易用的方向奔跑。一句话复刻技术的进阶，代表着能用更少的资源、更快的速度带来惊艳且实用的效果，显著降低了应用门槛，在AI赋能千行百业的大背景下，让更多的场景和行业衍生出更多的个性化需求，突破并得到实现。

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此次进阶的重点是赋予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。

AI语音技术落地最显著的领域当属智能汽车座舱。今年初，蔚来在“Banyan 榕 3.1.0版本”中为NOMI助手引入的超拟人情感音色，正源于讯飞的深度赋能。搭载该技术的蔚来新车型（如ET9、新ES6/EC6/ET5系列等），成为行业首款应用AI生成式语音合成框架的车型。除蔚来外，奇瑞、广汽、长城、日产、本田等主流车企同样选择了讯飞超拟人技术，重塑车内智能交流体验。

讯飞语音技术的辐射范围远不止车载场景。在教育领域，星火大模型赋能的AI学习机已能像真人教师般开展多轮对话诊断学情，为学生定制个性化学习路径。2025年暑期升级中，学习机新增的“AI 1对1互动式问诊规划”功能，通过几轮对话即可分析知识掌握情况，结合学生能力层级生成精准学习方案。

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，对话自然度提升200%。随着星火语音大模型在教育、医疗、金融等领域的深度渗透，其技术底座已服务全国5万余所学校、600家医院及众多金融机构。

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，赋能更多场景行业、催生更多可能。”属于AI声音的多元化、情感化时代，正加速驶入现实。

（来源：极目新闻）