1.命题方向

智能计算

2.题目类别

应用类

3.题目名称

基于AI语音合成的教学声音处理软件

4.背景说明

【整体背景】

随着人工智能技术的发展，语音合成技术（Text-to-Speech, TTS）在多个领域得到了广泛应用，如智能助手、有声阅读、自动播报等。为了推动语音合成技术的进一步发展，本赛题旨在挑战参赛者设计并实现一个高效、自然、准确的TTS系统。

在数字化时代，教育行业正经历着前所未有的技术革新。语音合成（TTS）技术和声音克隆技术作为人工智能领域的重要分支，在多个领域得到了广泛应用，如智能助手、有声阅读、自动播报等。在教育领域也展现出巨大的潜力，能够提供个性化的学习体验，增强教学内容的互动性和可访问性，从而提高学习效率和质量。

【公司背景】

锐捷网络是行业领先的ICT基础设施及行业解决方案提供商，主营业务为网络设备、网络安全产品及云桌面解决方案的研发、设计和销售，作为中国数据通信解决方案领导品牌，已成为中国网络设备三大供应商之一。

目前，锐捷网络拥有8大研发中心，8000余员工，业务范围覆盖90多个国家和地区，服务各行业客户数字化转型。锐捷网络贴近用户的创新成果已广泛应用于政府、运营商、金融、教育、医疗、互联网、能源、交通、商业、制造业等行业信息化建设领域，助力各行业客户实现数字化转型和价值升级。同时，锐捷与各行业头部客户建立了深度合作关系，服务1000多家金融机构、100%的双一流高校、60%的全国百强医院、超200家中国500强企业。

未来，锐捷网络将不断突破创新，助力各行业客户夯实数字经济坚实底座，勇立数字时代潮头。

（锐捷网络[股票代码301165]和母公司星网锐捷[股票代码002396]均为深交所上市公司，星网锐捷为亚洲品牌500强）。

【业务背景】

锐捷始终扎根行业，深入场景进行解决方案创新，充分应用云计算、大数据、 5G、物联网、AI 等新技术为各行业用户提供数字化解决方案。锐捷一直致力于将技术与场景应用充分融合，贴近用户进行产品方案设计和创新，助力各行业用户实现数字化转型和业务价值创新。锐捷的云课堂业务表现突出，紧跟时代步伐，不断创新，利用新技术创造性解决教育教学新型问题，助力教育行业高质量发展。

5.项目说明

【问题说明】

利用AI语音合成和声音克隆技术，结合教育学原理和学习者的需求，创造出能够提高教学效果、增强学习体验或促进教育公平的解决方案，以及考虑技术的可扩展性和跨学科应用潜力。

【用户期望】

提高教学效果：通过灵活的语言风格，个性化的语音讲解，提高学生的学习体验，提高教学效果。

语言学习辅助：帮助语言学习者练习发音和语言节奏，如普通话，外语，特定方言等，可以提供更自然流畅的语音样本进行模仿和学习。

辅助特定教育：对于视障或阅读困难的学生，声音克隆技术可以提供文本到语音的服务，帮助他们更好地获取信息和学习。

促进教育公平：在缺乏教师资源的地区，可以利用声音克隆技术创建虚拟教师，为学生提供标准化的教学内容。

6.任务要求

【开发说明】

设计并实现一个基于语音合成的教学声音处理软件，能够根据输入的文本或语音样本生成自然的语音输出，需展示系统能够模仿特定人的声音特点。系统主要包括以下功能：

（1）声音样本库：可以预设一些标准声音，也可以通过上传音频文件，或现场录制，如录制老师的声音；音频文件和现场录制建议为5s到30s的单独人声。

（2）个性化语音讲解：上传或输入一段文本教学内容，长度在800~2000字，选择声音样本库的声音进行语音讲解；

（3）标准语言输出：根据给定的文本内容，长度在800~2000字，输出普通话、英文等标准发音。扩展性要求，可控制语速、语气和节奏等；

（4）课件制作下载：上传一个小型的教学课件(比如一个PPT)，大小在3M~20M，通过选择声音样本库声音，完成有声课件的制作，可下载；

（5）可选功能：声音置换及加字幕功能，导入一段音视频，通过更换声音，实现变声，同步展示字幕。

【技术要求与指标】

（1）发音相似性

说明：系统生成的语音与声音样本之间的相似性；

要求：相似性不低于85%。

（2）自然度（Naturalness）

定义：合成语音的自然程度，包括韵律、语调、停顿等；

要求：MOS（Mean Opinion Score）评分不低于4.0；

基于5分制的主观评分：5分-非常好，4分-好，3分-一般，3分以下-差）。具体参见下表：

级别	MOS值	评价标准
优	4.0~5.0	很好，听得清楚；延迟小，交流流畅
良	3.5~4.0	稍差，听得清楚；延迟小，交流欠流畅，有点杂音
中	3.0~3.5	还可以，听不太清；有一定延迟，可以交流
差	<3.0	听不懂、听不太清；延迟较大，交流不通畅或需要重复多遍

（3）清晰度（Clarity）

说明：合成语音的清晰度和可懂度，即能够清晰理解语音内容的程度；结果介于0到1之间，数值越接近1表示语音信号的可懂度越高，越接近0表示可懂度较低；

要求：清晰度得分不低于0.8。

（4）实时性（Real-time Capability）

定义：系统从接收文本到输出语音的响应时间；

要求：响应时间不超过2秒。

【提交材料】

（1）项目概要介绍;

（2）项目简介 PPT;

（3）项目详细方案;

（4）项目演示视频;

（5）团队自愿提交的其他补充材料。

【任务清单】

（1）完成项目的需求分析和功能设计；

（2）设计算法与关键模块的架构；

（3）编码开发与功能实现；

（4）测试验证主要功能和创新成果；

（5）可选完成：探索更多的应用场景落地，如教学场景数字人。

【开发工具与数据接口】

无限制，自行选择。 可基于开源的大模型和相关算法解题。

7.其他

如有具体的客户案例或经过客户实际场景测试，在不涉及知识产权的情况下，可以提供使用或试用说明文档。

8.参考信息

学生需自行搜索语音训练数据集。

9.评分要点

赛题评分要点见附件一：A 类企业命题初赛统一评分标准。