近日，小米發(fā)布了小愛音箱Art，這款音箱采用全新的金屬機(jī)身，機(jī)身揚(yáng)聲器開孔被設(shè)計(jì)成0．7mm厚度的金屬飾板，可謂功能與質(zhì)感兼具。小米小愛音箱Art通過一顆2．5英寸的全頻揚(yáng)聲器，讓聲音的細(xì)節(jié)呈現(xiàn)得更加自然。

作為小米推出的第9款智能音箱，小米小愛音箱Art在技術(shù)上也全面升級，搭載第三代小愛同學(xué)，并支持情感化語音交互、全屋播放及就近喚醒。通過這款音箱得以看出，小米的聲學(xué)語音技術(shù)已經(jīng)實(shí)現(xiàn)全面自研，并在自研部分領(lǐng)域持續(xù)。

情感化語音交互：通過迭代聲學(xué)模型，支持情感TTS

對于智能設(shè)備而言，實(shí)現(xiàn)情感化語音交互是一項(xiàng)挑戰(zhàn)。＂情感＂本身就是主觀的、多樣的感受，一種情感可以有多種呈現(xiàn)形式，更適合人與人的面對面對話。情感化語音交互對技術(shù)要求較高，要技術(shù)方、數(shù)據(jù)方、質(zhì)檢方等多方對情感濃度、情感詮釋方式等標(biāo)準(zhǔn)達(dá)成共識，將較主觀的情感音素統(tǒng)一化、標(biāo)準(zhǔn)化。

隨著人工智能技術(shù)的發(fā)展，在實(shí)現(xiàn)人機(jī)對話的基礎(chǔ)上，各大廠商都在情感化語音交互的領(lǐng)域探索。為了讓機(jī)器加入情感元素，小米AI實(shí)驗(yàn)室在＂情感數(shù)據(jù)量有限＂的前提下，通過不同聲學(xué)模型、不同聲碼器組合最終上線自然、擬人效果的情感TTS，成為業(yè)內(nèi)首  家情感化TTS大規(guī)模落地的企業(yè)。

通過小米AI實(shí)驗(yàn)室的不斷深耕，此次小米小愛同學(xué)Art全面支持情感化語音交互，基于有限但類型不同的情感音頻數(shù)據(jù)（如開心、關(guān)心、害羞、驚訝等），通過不同技術(shù)訓(xùn)練并迭代聲學(xué)模型，最終支持情感TTS合成并實(shí)現(xiàn)＂小愛同學(xué)＂音感化、擬人化。

未來，小米語音將升級此技術(shù)――支持情感TTS實(shí)時(shí)合成。從下圖中可以看出，在大數(shù)據(jù)集的預(yù)訓(xùn)練模型基礎(chǔ)上，利用目標(biāo)說話人的中性情感數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行微調(diào)，得到目標(biāo)說話人的中性情感模型；在此基礎(chǔ)上用帶情感的小批量數(shù)據(jù)對模型進(jìn)一步微調(diào)，最終得到不同情感的模型，最終實(shí)現(xiàn)情感合成。

在國內(nèi)語音助手行業(yè)中，小米首  次實(shí)現(xiàn)情感化TTS的大規(guī)模落地，未來將打造情感更加豐富的＂小愛同學(xué)＂，為用戶提供多元化的語音交互體驗(yàn)，為IoT設(shè)備增加更豐富更立體更逼真的語音交互體驗(yàn)。

語音支持全屋播放：立體聲組合同步播放相同音頻

小米小愛音箱Art，是首  款可以實(shí)現(xiàn)語音支持全屋播放的設(shè)備。用戶直接對小愛同學(xué)說＂全屋播放XX＂，無需提前在App端進(jìn)行手動(dòng)設(shè)置，即可實(shí)現(xiàn)一句話語音交互，為用戶提供了更便捷的使用方式。

要實(shí)現(xiàn)這一功能，音箱需要具備AIoT放音的技術(shù)。小米AIoT放音的自研技術(shù)在攻克無線網(wǎng)絡(luò)抖動(dòng)、晶振時(shí)鐘漂移以及弱網(wǎng)下數(shù)據(jù)不可達(dá)等一系列技術(shù)難題后，將不同音箱播放聲音的同步優(yōu)化到微秒級別，同時(shí)還實(shí)現(xiàn)了在不同型號的音箱之間的數(shù)據(jù)同步，提供更細(xì)膩的音質(zhì)和寬廣的聲像。

由這張圖可見，立體聲支持APP創(chuàng)建組網(wǎng)，才能進(jìn)行語音指令和APP操作播放，全屋播放同時(shí)支持語音指令和APP創(chuàng)建組網(wǎng)。

立體聲功能同時(shí)支持語音指令和app操作播放，云端音頻流下發(fā)至音箱A，音箱A將立體聲分離為左右聲道，音箱A自己播放左聲道音頻并將右聲道音頻流下發(fā)給音箱B，由B音箱播放右聲道，精準(zhǔn)的同步技術(shù)保證音箱A和B同時(shí)播放立體聲的左右聲道音頻。全屋播放功能支持語音指令和app創(chuàng)建組網(wǎng)，音頻流下發(fā)至音箱C，音箱C將音頻流混合為單聲道信號并下發(fā)給組內(nèi)其他的音箱設(shè)備同時(shí)播放，不區(qū)分聲道，可支持多個(gè)設(shè)備。