在语音合成技术的赛道上，一场意想不到的变革正悄然发生。
一款名为HAM-TTS的新模型，在发音准确度、自然流畅度以及说话人的声音相似度等方面，超越了此前的顶级模型VALL-E，成为新的领军者。
而推动这一技术进步的背后力量，则来自一个让人意想不到的名字——吉利汽车。
这家以制造汽车闻名的企业，如今正以其强大的科技创新能力，引领着语音合成技术的发展方向。
吉利自主研发的HAM-TTS模型，全称为Hierarchical Acoustic Modeling for Token-Based Zero-Shot Text-to-Speech，即基于token的零样本文字转语音分层声学建模，是吉利星睿AI大模型体系中的关键组成部分之一。
该技术特别适用于智能座舱内的语音交互，如语音助手的发音质量，是评价其性能的重要标准。
在评估语音助手的表现时，通常会考虑发音的准确性、说话风格的一致性、音调的一致性以及整体的质量。
在与SOTA模型VALL-E的对比测试中，HAM-TTS模型在4亿参数量级下，字符错误率降低了约1.5%，而在完整版的8亿参数模型中，这一数字更是达到了2.3%。
此外，在风格一致性、音调一致性和总体评分上，HAM-TTS模型也实现了大约10%的提升。
在智能座舱的应用场景中，无论是连接虚拟形象、定制人物设定、导航指示、新闻播报、故事讲述、直播互动等，都离不开星睿AI大模型的支持。
它不仅提高了声音的识别能力，还能确保声音的稳定性和连贯性，避免音色的突然变化。
无论是严肃的新闻播报、轻松的笑话分享，还是温馨的故事时间，星睿AI大模型都能够根据不同的场景智能调整语气、语调、停顿和情感等参数，为用户提供沉浸式、自然流畅的个性化语音交互体验。
值得注意的是，星睿语音模型还具备跨语言无缝切换的能力，无论用户输入何种语言或方言，都能保证音色的一致性，流畅地转换成普通话或其他语言，目前支持多种方言和跨语言的语音合成，包括但不限于四川话、粤语、东北话，甚至日语、韩语及东南亚语言。
尤其值得一提的是，星睿语音模型在声音复刻方面表现突出，只需短短3秒的样本输入，即可实现高质量的声音克隆，远超行业平均水平。
这不仅大大提升了用户体验，也在学术上具有重要意义，通过技术创新改善了TTS模型的性能和训练效率。
吉利之所以能在TTS领域取得如此成就，得益于其独特的技术路径。
传统的TTS模型通常遵循“文本处理-提取声学特征-语音合成”的流程，但在语音合成这一步骤中，模型往往因缺乏足够的语义信息而遇到挑战。
吉利则通过引入分层声学建模的方法，利用Text-to-LVS predictor（文本到隐空间变量序列预测器）来预测文本中蕴含的声学和语义信息，作为额外的输入信息，从而显著减少了发音错误和风格突变的现象。
此外，通过数据增强策略，吉利还解决了数据稀缺、版权和隐私等问题，进一步提高了模型的泛化能力和性能。
吉利在语音合成领域的突破，不仅体现了其在智能汽车领域的持续探索和技术积累，也为整个行业带来了新的启示。
在智能化转型的大潮中，吉利不仅在电动化方面取得了显著成绩，更在智能化领域发出了自己的强音。
随着吉利在卫星通信、芯片设计、操作系统开发等核心技术上的不断突破，这家汽车制造商正逐渐展现出其作为科技领导者的全面实力。
或许，是时候重新审视吉利，不仅仅作为一个汽车品牌，而是作为一个全方位科技创新的先锋了。
