让机器开口说话是人工智能的基础技术之一，最早可追溯到1960年TTS（Text To Speech）技术的诞生，但要让机器发出生动逼真的声音一直都是业界的难题，据了解，传统语音合成技术需要海量文本和音频信息，合成的语音与原始音频的接近程度仅为85%到90%之间。
今年7月，达摩院发布新一代语音合成技术KAN-TTS，首次将该数字提高到97%以上。这被认为是入选MIT Technology Review 2019年“全球十大突破性技术”后，阿里巴巴语音技术实力的又一次跨越式提升。
基于迁移学习以及多种新型算法模型，KAN-TTS可根据特定发音人的风格快速生成高度相似的语音，并且大幅降低语音合成的门槛，手机录音十分钟，机器即可通过算法完成声音的模仿。
过去数月，KAN-TTS技术已实现了主流场景风格声音的全覆盖，可针对通用场景、客服场景、童声场景、英文场景和方言场景，提供 41种高品质的声音，例如温柔、甜蜜、严厉等风格。据达摩院专家透露，团队还计划用该技术来帮助视障和语言障碍人士实现无障碍沟通。
达摩院成立两年以来，阿里巴巴在视觉、语音以及自然语言处理等领域已创下了多项世界纪录，并且跃升为中国最大的人工智能公司。今年的杭州云栖大会上，阿里巴巴表示，阿里AI每天调用超1万亿次，服务全球10亿人，日处理图像10亿张、视频120万小时、语音55万小时及自然语言5千亿句。