阿里达摩院发布自研语音AI芯片技术，语音合成速度比GPU快100倍

作为芯片领域的顶级峰会之一，HOTCHIPS 与其他顶级半导体会议的显著区别之一就是更侧重于商业应用，而非仅仅是学术项目，此次阿里发布的 Ouroboros 就是面向语音合成领域商业应用的 FPGA 加速计算方案。

阿里达摩院科学家在 HOTCHIPS 大会现场发布自研语音芯片技术

针对 ASIC 实现的性能仿真预估表明， Ouroboros 的设计可以实时运行 WaveNet 等业界先进的文字转语音（TTS，Text-to-Speech）算法 ，实现实时语音合成。

编者注：DeepMind 于 2016 年发布 WaveNet 算法，可以生成类似真人发音的语音，效果比以前的模型都好，并且一个模型可以生成不同的声音；为了在语音生成中处理长跨度时间依赖问题，开发者设计了一个新的扩大连接的卷积框架，该卷积框架有非常大的感受野。

算法很好但难以进行实时计算是语音芯片的行业难题。Ouroboros 的突破在于：使用了端上定制硬件加速技术，替代云端服务器，有效避免了对 络连接和云端服务的强依赖性，解决了这一问题。

Ouroboros 原理图

以计算量最大的 AI 语音合成算法 WaveNet 为例，为了生成 1 秒的语音，CPU 和 GPU 需要消耗 50 秒的计算时间，完全无法满足语音合成对实时性的要求。但 Ouroboros 在 FPGA 环境下只需要 0.3 秒，大大提升计算效率，同时将整体服务成本降低 10 倍以上。

WaveNet 实践结果

为了达到这样的效果，达摩院的研发人员从硬件到软件进行了诸多协同设计与改良：

此次阿里发布的 Ouroboros 技术，同样适用于达摩院于今年 7 月发布的新一代的 语音合成算法 KAN-TTS，该算法将商用系统里的合成语音与原始语音的相似度提高到 97% 以上。据了解，Ouroboros 芯片技术除了语音合成之外，还将支持 AI 语音识别。基于 Ouroboros 研发完整的语音 AI 芯片，有望率先在天猫精灵上落地。