GPU加速语音识别、语音合成，英伟达亲自告诉你怎么做

2021 年 12 月 25 日 机器之心

让计算机能听、能看、能说、能感觉，是未来人机交互的发展方向，其中语音已成为未来最被看好的人机交互方式，语音比其他的交互方式有更多的优势。

目前，语音服务存在于各种场景中，包括实时会议记录、视频实时直播字幕、呼叫中心语音质检、实时会议记录等。想要实现不同的语音服务，这涉及到方方面面的技术，例如，在进行实时会议记录任务时，需要将会议中的音频实时转写为文字，辅助会议记录工作，同时适用于电视会议等远距离场景，这涉及到自动语音识别(ASR)技术。

除此以外，我们在日常生活中，也经常遇到需要将文本转化成语音的技术(TTS) ，该技术可以通过自然逼真的智能语音，让机器拥有「说话」的能力。

那么，有没有一种技术，可以同时进行自动语音识别、语音合成技术？

今年，英伟达发布了 NVIDIA Riva，这是一种现成的语音服务，可以轻松部署在任何云或数据中心。NVIDIA Riva的设计旨在帮助用户轻松、快速地访问会话 AI 功能，实现开箱即用，通过一些简单的命令和 API 操作就可以快速构建高级别的语音识别服务。该服务可以处理数百至数千音频流作为输入，并以最小延迟返回文本；还能快速构建高级别的对话式 AI 服务。

NVIDIA Riva是一个使用了 GPU 加速，快速部署高性能会话式 AI 服务的 SDK，可用于快速开发语音 AI 的应用程序。Riva SDK 在 NVIDIA GPU 上运行，在高吞吐量水平下提供最快的推断响应。

目前，NVIDIA Riva整合了 ASR 和 TTS 等智能算法引擎，用户可以使用这些功能进行科学研究。

为了深入了解和快速上手 NVIDIA Riva 在构建语音方面的应用，英伟达联合机器之心推出「详解对话式AI应用服务框架NVIDIA Riva」三期线上分享，通过英伟达专家的理论解读和实战经验分享，向开发者展示如何使用 NVIDIA Riva 快速构建企业级 ASR 语音识别助手、快速构建企业级 TTS 语音合成助手、使用 Python 快速构建基于 NVIDIA Riva 的智能问答机器人。

「详解NVIDIA Riva」三期分享安排如下：

本次系列分享嘉宾是英伟达开发者社区经理李奕澎（Yipeng Li），他拥有多年数据分析建模、人工智能自然语言处理开发经验；在自动语音识别、自然语言处理、语音合成等对话式 AI 技术领域有丰富的实战经验与见解；曾开发法律、金融、保险文档中基于实体抽取的智能问答系统；曾开发基于 NLP 知识抽取，KG 知识图谱的建立的科研文档智能检索系统。

12月19日19:30-21:00

第一期 : 使用 NVIDIA Riva 快速构建企业级 ASR 语音识别助手

自动语音识别(ASR)是会话式人工智能的一部分，旨在获取原始音频并将其准确快速的转换为文本。它广泛的应用于各种各样的领域，包括呼叫中心的人工代理，虚拟助理的语音接口，视频会议的现场字幕以及无人驾驶汽车的语音交互系统等。

NVIDIA Riva 是一个使用 GPU 加速，能用于快速部署高性能会话式 AI 服务的 SDK，可用于快速开发语音 AI 的应用程序。Riva 的设计旨在帮助开发者轻松、快速地访问会话 AI 功能，开箱即用，通过一些简单的命令和 API 操作就可以快速构建高级别的语音识别服务。该服务可以处理数百至数千音频流作为输入，并以最小延迟返回文本。

本次分享主要面向有会话式人工智能开发需求的开发者，将主要介绍以下内容：