Transformer 模型在自然语言领域被提出后，目前已经扩展到了计算机视觉、语音等诸多领域。然而，虽然 Transformer 模型在语音识别领域有着更好的准确率，但在流式的语音识别场景下，Transformer 模型的速度和延时往往阻碍其实际的应用。为了解决这个问题，微软 Azure 语音团队与微软亚洲研究院的研究员们一起提出了一套结合 Transformer 家族的编码器和流式 Transducer 框架的解决方案，并提出了 Mask is all you need 的方法对模型进行快速训练以及解码，让 Transformer 模型能够在普通的计算设备上进行快速的语音识别。
发布时间：2020-12-30 类型：深度文章
本文将通过六篇论文，从建模方法、响应时间优化、数据增强等不同方面讲解端到端语音模型的发展，并探讨不同端到端语音识别模型的优缺点。
发布时间：2020-11-17 类型：深度文章
FastSpeech语音合成系统技术升级，微软联合浙大提出FastSpeech2
基于深度学习的端到端语音合成技术进展显著，但经典自回归模型存在生成速度慢、稳定性和可控性差的问题。去年，微软亚洲研究院和微软 Azure 语音团队联合浙江大学提出了快速、鲁棒、可控的语音合成系统 FastSpeech，近日研究团队又将该技术升级，提出了 FastSpeech 2 和 FastSpeech 2s，在提升语音合成质量的同时，大大简化了训练流程，减少了训练时间，加快了合成速度。
发布时间：2020-06-23 类型：深度文章
2020开年解读：NLP新范式凸显跨任务、跨语言能力，语音处理落地开花
2020年伊始，我们总结、展望了微软亚洲研究院在多个 AI 领域的突破与趋势，比如，更亲民的机器学习和更精巧的 AI 系统；数据洞察的获得变得更智能，AI 推进三维构建的发展；以及突破固化的计算机视觉和更具商用价值的 OCR 引擎。今天，我们将探索自然语言处理（Natural Language Processing，NLP）范式的新发展，以及微软亚洲研究院在语音识别与合成领域的创新成果。
发布时间：2020-01-17 类型：深度文章
速度提升270倍！微软和浙大联合推出全新语音合成系统FastSpeech
目前，基于神经网络的端到端文本到语音合成技术发展迅速，但仍面临不少问题——合成速度慢、稳定性差、可控性缺乏等。为此，微软亚洲研究院机器学习组和微软（亚洲）互联网工程院语音团队联合浙江大学提出了一种基于Transformer的新型前馈网络FastSpeech，兼具快速、鲁棒、可控等特点。与自回归的Transformer TTS相比，FastSpeech将梅尔谱的生成速度提高了近270倍，将端到端语音合成速度提高了38倍，单GPU上的语音合成速度达到了实时语音速度的30倍。
发布时间：2019-05-30 类型：深度文章
