体验李善德在《长安的荔枝》中亲自为他的电视剧做推荐，会是怎样的感受呢？

这段音频看似出自李善德，实则并非他本人所录；它利用的是科大讯飞最近更新的声音模仿技术。在李善德对右相的指责段落里，他的声音调门上升，语速也加快了。而在他用该技术制作的推荐《长安的荔枝》的音频中，不仅声线与原声高度一致，就连情绪也模仿得相当准确。值得注意的是，这段AI“李善德”的学习素材仅需不到10s。

去年，讯飞星火App的“小星畅聊”功能中推出了声音复刻技术；而今，该平台的新版声音复刻功能已升级，使得每个人都能拥有一个与自己声音相同的数字替身。与此同时，新一代的声音复刻技术也已正式在讯飞开放平台上线，开发者们可以通过API接口进行接入和调用。

在App内制作声音，用户仅需挑选性别，随后朗读一句台词，便能迅速打造出个性化的声音，并与之展开交流。

作为人工智能语音领域的领军者，科大讯飞在技术钻研方面不遗余力，其产品在智能驾驶、教育等众多人机交互领域得到广泛运用。这一系列举措已使该公司在全球语音行业占据领先地位。值得一提的是，科大讯飞在语音技术方面的项目不仅荣获了国内知识产权领域的最高荣誉——中国专利金奖，更是一举拿下国家科学技术进步奖的一等奖。

在这一情境下，我们不禁要问，科大讯飞的声音复制技术背后究竟隐藏着哪些尖端科技？这种语音技术又将如何激发科技领域的无限潜能？为此，智东西将深入剖析讯飞星火App的各项功能，以期揭示这些疑问的答案。

一、秒级自定义AI发音人，蜡笔小新、哪吒跨时空交流

语音交互模式，这种与人类日常对话更为接近的技术，如今已几乎成为聊天机器人不可或缺的功能。

讯飞星火App的语音通话功能不仅能够与内置的14位发音人进行无障碍交流，而且用户只需简单一句指令，便能打造出个性化的发音人。

在App中，我们能够观察到，已经预先设置了14位不同的发音人，这些发音人涵盖了普通话、英语、各地方言、日语以及俄语等多种语言的语音包。

创建专属发音人的步骤同样简便，用户只需挑选性别，接着依照提示，对着屏幕上的文字进行朗读，稍作等待便大功告成。此外，为了更好地适应用户的使用偏好，用户还可以为发音人添加个性化的人设。

这里有若干实例可供大家体验一句话声音复刻技术的惊人魅力，该技术已应用于对用户耳熟能详的影视剧中角色以及动漫角色的声音进行复制，通过比较，我们能够更加直观地体会到声音合成的逼真程度和精确性。

科大讯飞的声音复刻技术实现了甄嬛与佟掌柜这两位经典影视角色的跨越时空对话，AI复刻的甄嬛声线在《甄嬛传》中响起，模仿佟掌柜的台词，仅用不到6秒的音频，便让众多《武林外传》的忠实粉丝体验了一场梦幻般的穿越之旅。

其合成的音频里，不仅完美再现了甄嬛的嗓音特色，而且说话的语调同样温和，讲述的过程连接得非常顺畅自然。

第三，得益于科大讯飞所掌握的声音复刻技术，哪吒与蜡笔小新这两位动漫角色成功实现了跨越时空的对话。

仅需利用不足7秒钟的音频资料进行训练，便能够模仿蜡笔小新的嗓音，而且还能让他说出哪吒那首著名的打油诗。

哪吒不仅能模仿蜡笔小新的经典对白，还能与他的宠物小白进行虚拟对话，在复制的音频里，不仅完美保留了哪吒特有的嗓音，还展现了他那特有的尾音上扬的个性特点。

这些音频的呈现效果，部分仅需原角色不到5秒的录音即可达成，同时，上述几段音频并未出现任何明显的延迟，并且成功还原了声调上升、语速以及说话的节奏等细节特征。

二、在音色、停顿以及发音的流畅性上，构建起一个包含三个阶段的、层次分明的语音模型体系。

这些深受观众喜爱的影视形象，在细微的发音细节上，用户可能感知并不明显；然而，在讯飞星火App中自定义声音生成的环节，用户对发音人模仿的精确度要求却更为严格，这无疑对声音模仿功能提出了更高的要求。

为了达成“一句话声音复刻”的目标，我们必须解决三大核心挑战：首先，如何精确地从一句语音中提取出用户的发音多样性；其次，如何确保复刻的声音与原声高度相似；最后，如何精确地重现用户的停顿、发音方式、重音以及口音等个人习惯。

在此基础之上，科大讯飞研发了针对个性化语音合成的“三阶段层次化语音建模框架”，旨在全面捕捉用户一句语音中的各类声音要素。

具体分析，这一框架细分为三个步骤，首先，借助星火底座大模型精准锁定发音的规律与韵律特点；其次，在音色恢复环节，对声学特性进行解耦与重构；最后，通过声码器技术恢复出高保真度的波形。

传统的声音复制技术常常需要耗费数小时乃至数十小时来收集语音样本进行训练，然而，依托于星火语音大模型的基础功能，它能够迅速从较短的音频片段中提取出语音的基本成分。

该阶段的实质在于，首先从错综复杂的混合信号中提取出语音的音色特性，然后根据既定目标对这些关键特征进行重新整合，从而显著提升音色还原的精确度。

在第三个阶段，高保真波形恢复技术能够最大限度地恢复原始音频的时域细节，频谱特征以及动态范围。

据调查，该语音建模框架实现了对语义表征的突破，它运用了mel VQ-AE模型（即Mel频谱向量量化自编码器）与语音自监督预训练编码器的组合，同时加入了音色最小互信息约束。这一技术能够解耦出与音色无关的离散语义token，成功实现了发音内容与音色特征的可控分离，进而提高了语义大模型的建模稳定性。

同时，要使合成的声音听起来更自然，一个至关重要的因素在于发音要连贯且音质要保持统一，鉴于此，科大讯飞在音色解耦表征的基础上，进一步运用音色增强技术和强化学习，旨在达到让人难以分辨是人声还是机器声音的效果。

在声学模型领域，研究人员实现了音色增强技术，该技术涉及将全局声纹嵌入与局部帧级音色编码相结合，从而提取出更为精细的音色特征，并创建了声纹空间语义一致性损失函数，以增强音色恢复的相似度；此过程主要依赖于语音鲁棒性评价模型以及人工标注数据集的构建，并运用基于DPO的强化学习策略，旨在提高合成语音的稳定性和自然流畅度。

在多种因素的共同作用下，科大讯飞所拥有的语音合成技术已达到高度成熟，它能够仅通过一句录音，全面记录下用户的声腔共鸣、方言特色以及气息流动等发声细节，并且能够精确再现用户在停顿、情感波动以及呼吸方面的个人习惯。

正因为如此，才能实现与真人难以辨别的复刻效果，从而为车载语音交互系统、个性化智能客服以及智能体交互等应用场景拓展了更为广阔的想象天地。

三、多次拿下业界国家级大奖，横纵布局加速语音技术落地

语音始终是人类最直观的沟通手段，这也使得相关领域的研究始终聚焦于模拟人类对话流程，力求让机器具备理解和回应人类语音指令的能力。

作为中国人工智能领域的领军团队，科大讯飞自2011年起便承担起语音与语言处理国家工程实验室（后晋升为工程研究中心）的重要使命，同时在国际语音技术界崭露头角，位居行业前沿。

截至目前，科大讯飞在语音技术方面取得了显著成就。具体来看，本月，该企业凭借“基于时延估计的回声消除方法及装置”专利成功跻身第二十五届中国专利金奖的候选名单。这标志着科大讯飞第二次荣获国内知识产权领域的最高荣誉。值得一提的是，科大讯飞是安徽省唯一一家两次荣获中国专利金奖的企业。

此外，在去年，该项目的“多语种智能语音关键技术及产业化”荣获了国家科学技术进步奖的一等奖。

在技术不断深入发展的过程中，科大讯飞不仅成功提升了语音识别和语音合成领域的精确度、支持的语言种类、相似度等关键性能指标，而且还将这些技术横向扩展到了更广泛的领域，涵盖了从语音识别、翻译到合成的应用，以及智能驾驶、智能客服、教育等多个场景。

去年九月，科大讯飞在语音识别领域的竞赛CHiME-8中成功摘得桂冠，同时创下了连续五次夺冠的辉煌纪录。该技术首次实现了对全国所有地级市方言的全面覆盖，涵盖了288个地市以及202种不同的方言。

此前，科大讯飞推出的星火语音大模型已实现74种语言和方言的无缝对话；此外，基于实际业务场景构建的语音输入测试集显示，星火语音大模型在37种语言的语音识别效果上超越了OpenAI发布的开源语音识别模型Whisper-V3.5。

该系统不仅能够在高干扰环境下准确进行语音识别，而且在双声混叠、三声混叠以及-5分贝高噪音环境下，其语音转写性能显著优于Whisper和Gemini。

星火语音大模型在此前提下，已广泛应用于多种人机交互场合，包括智能驾驶舱以及教育等多个领域。

显而易见，语音技术的突破并非短期所能实现，通过在技术领域的深入研究和在具体场景中的广泛应用，科大讯飞的语音技术正日益在全球范围内发挥着越来越关键的作用。

结语：更自然流畅的语音交互，正扩宽AI应用场景

人们能够通过语音指令来操控设备并获取所需信息，无需进行手动输入或操作繁琐的界面。随着科技的进步，语音识别与合成技术的提升赋予了聊天机器人等人工智能工具以自然对话的能力，从而使得它们与用户的互动过程变得更加顺畅。

与此同时，企业正积极寻求新的算法与模型，力求在语音识别和合成的准确性上实现突破，并扩大其应用范围。这一过程中，语音技术得以与自然语言处理、计算机视觉等领域实现深度融合，从而助力人工智能的进步。在技术融合与实际应用方面，科大讯飞已积累了丰富的经验，展现出其强大的竞争力。