微软Azure神经网络文本到语音服务（又称“Neural TTS”、“智能语音合成”可以帮助用户将文本转换为逼真的人工智能语音，适用于各种应用场景，包括智能语音助手、客服对话机器人、音频内容阅读、游戏角色语音等。在过去的几个月里，微软Azure智能语音合成技术在语音自然度、声音丰富度和多语言支持方面取得了进步。
今天微软正式为大家带来了最新的神经网络语音合成声码器HiFiNet2。

TTS中的一个关键组件是声码器，它根据输入文本或声学特征合成音频样本。目前，微软通过HiFiNet2声码器技术，将微软Azure智能语音合成产品全面升级至48kHz音质，进一步为用户带来更高保真、高效、可扩展的AI音质体验。本次更新包括了400多个声音，覆盖了140多个国家和世界各地的语言。
48kHz语音模型
在文本到语音技术中，音频保真度是衡量声音质量的重要标准。高保真的声音不仅能向用户传达更丰富、更细腻的音质，还能最大限度地减少音色的扭曲和失真。随着采样率的增加，听众可以听到更好的细节和更真实的音色。在视频配音、游戏、唱歌等复杂场景中，对声音体验的要求更精细、更沉浸，更高的保真度输出（如48kHz采样率）将为用户带来前所未有的全新感官体验。
现在，随着Azure深层神经网络语音合成服务将全平台AI语音提升到48 kHz采样率，微软是业界第一个给AI语音用户带来真正高保真度语音体验的公司。