语音AI的核心是让机器听懂人话、并能开口说话，语音合成和语音识别技术是实现这些目标的基础。但由于过去几年业界在语音模型上未能有突破性创新，高精度的语音交互任务长期依赖云端算力，造成了语音指令处理不可避免的延时等问题。
此次达摩院率先在算法模型上实现创新，推出E2E-ASR端到端语音识别技术及全新的端上KAN-TTS语音合成技术，首次在移动终端上实现接近云端的语音识别与合成效果。
据介绍，在语音识别方面，达摩院提出SAN-M网络结构及基于SCAMA的流式端到端语音识别框架，提升计算效率的同时，还将高难度场景中的语音识别错误率降低近三成。达摩院研发的语音识别系统，可纯离线、低成本部署在手机端，原型系统不到40MB，识别效果媲美超过100GB的达摩院上一代DFSMN-CTC云端系统。
继去年发布仿真率可达97%的自研KAN-TTS语音合成模型后，达摩院此次在移动端实现了对语音模型的“大瘦身”，相比云端，端上模型大小压缩了101倍，计算量压缩35倍，通过终端算力即可快速复现逼近真人的语音。例如，高德地图近期发布了利用达摩院全新语音技术合成的李佳琦、林志玲、小团团等明星导航语音包，语音效果较之前更自然，断网状态下语音导航也不会中断。
(来源：信网)
达摩院语音实验室负责人鄢志杰表示，“在终端处理语音任务一直是学术界和工业界的难题，达摩院最新的语音技术有效释放了终端设备的能力，让终端也能轻松处理语音任务，我们相信，在终端算力和云端算力的协同支撑下，未来语音交互将无处不在。”
过去几年，阿里语音AI取得了一系列突破。2019年，阿里语音AI入选《麻省理工评论》“全球十大突破性技术”，是唯一上榜的中国科技公司；今年7月IDC发布的《中国AI云服务市场半年度研究报告》显示，阿里语音AI以44%的市场份额，在云上语音AI市场中位居第一。
