每經記者 王帆    每經編輯 文多    

6月26日，《每日經濟新聞》記者獲悉，新一代實時語音編碼行業(yè)標準AVS3P10即將正式發(fā)布。這是一項基于AI神經網絡等技術的全新行業(yè)標準，解決的是弱網環(huán)境下的語音通信質量問題。該標準由騰訊提議啟動、推進和維護，經AVS（數字音視頻編解碼技術標準工作組）多家成員單位共同貢獻。

過往的音頻傳輸場景中，在有限的帶寬條件下，想要將聲音高質量傳遞到接收方，關鍵在于壓縮原始數據、去除冗余信息的語音編碼技術。然而，基于EVS、OPUS等現有主流音頻編解碼標準，當碼率降低到10kbps以下時，語音質量下降明顯，影響用戶體驗。這也造成了在電梯、地庫、隧道等弱網環(huán)境下實時語音通話不暢的難題。

而本次制定的新標準AVS3P10，解決上述痛點的技術路徑是：首先通過建立語音信號處理和深度神經網絡，捕捉音頻的核心特征，實現大幅度壓縮、降低傳輸的數據量；再借助深度學習網絡，重建語音信號，恢復出高質量的聲音。在保持高清音質的同時，大幅降低了音頻傳輸的帶寬需求，讓用戶在各種場景下都能享受到既清晰又省流量的音頻體驗。

《每日經濟新聞》記者注意到，AI技術此前在實時語音傳輸領域已有語音增強、回聲消除、降噪、變聲、語音識別與合成等研究和應用。例如，字節(jié)跳動火山引擎流媒體音頻團隊曾發(fā)布包括語音增強、基于AI編解碼、回聲消除、無監(jiān)督自適應語音增強等方面的相關研究成果；阿里巴巴釘釘蜂鳴鳥音頻實驗室提出了一種基于頻—時調制譜的改進型窄帶濾波網絡（STSubNet）和“一模型，多任務”方案，聯合消除實時語音通信中常見的三種干擾音（回聲，噪音和混響）。

而騰訊上述標準和技術的發(fā)布，意味著AI在實時語音傳輸新增了一個應用場景和技術路徑。

值得一提的是，這一標準以騰訊首款神經網絡語音編解碼器Penguins為原型，該技術在2021年起逐步落地到騰訊會議車載模式、弱網模式、QQ語音通話等多個產品場景中。那么，為何騰訊會選擇推動一項自研技術成為行業(yè)標準，并把關鍵核心技術開放出來？

在6月26日的媒體群訪中，騰訊云副總裁、騰訊會議天籟實驗室主任商世東回應記者稱：“這一標準的制定和技術的開放，能推動整個實時語音通信行業(yè)為用戶提供更好的技術和產品。”商世東認為，騰訊不怕開放技術，因為技術在具體產品里面怎么使用，以及怎么做到效果和體驗最好，取決于很多技術開發(fā)細節(jié)，這不是拿到開放的源代碼就能輕易做到的。“對于同行來說，他們看到這個技術的領先性后，最快在市場上推出產品的方法就是和騰訊一起合作，實現一加一大于二的效果。”他表示。

騰訊標準化高級工程師張亞軍認為：“標準化是行業(yè)達成共識的形式和方法，也能解決產品設備互聯互通的問題。制定標準的過程需要產業(yè)鏈上的各個廠商都加入討論，比如芯片廠商、終端廠商、互聯網APP廠商。并不是說某一家企業(yè)技術足夠厲害，它就可以吃得下整個‘蛋糕’。標準化可以讓大家一起做大‘蛋糕’，一起來推動我們行業(yè)的發(fā)展。”他還表示，另一方面，雖然標準是開放的，但標準里的技術方案是有相應的專利和IP保護的，因此開放對于騰訊來說并沒有太大顧慮。

封面圖片來源：視覺中國