天貓精靈智能引擎團(tuán)隊(duì)、智能合成團(tuán)隊(duì)與 NVIDIA 團(tuán)隊(duì)合作，通過利用 NVIDIA TensorRT 加速流式語音合成（Text-to-Speech，以下簡稱 TTS）深度學(xué)習(xí)模型，并借助 NVIDIA Triton 推理服務(wù)器在 NVIDIA T4 GPU 上進(jìn)行高效部署，幫助阿里巴巴天貓精靈流式 TTS 服務(wù)將吞吐提升 50%，首包延時(shí)降低 35%，大幅提升服務(wù)運(yùn)行效率，提升資源利用率。

天貓精靈（Tmall Genie）是阿里巴巴消費(fèi)者人工智能一級公司，于 2017 年 9 月發(fā)布第一代天貓精靈智能終端 X1。讓用戶以自然語言對話的交互方式，實(shí)現(xiàn)影音娛樂、購物、信息查詢、生活服務(wù)等功能操作，成為消費(fèi)者的家庭助手。目前，天貓精靈已經(jīng)服務(wù)超過 3000 萬中國家庭，在三方權(quán)威統(tǒng)計(jì)中不僅智能音箱產(chǎn)品出貨量排名中國前列，其產(chǎn)品并已可連接 3 億以上的家庭 AIoT 生態(tài)設(shè)備。

除了智能音箱終端產(chǎn)品外，天貓精靈推出 AliGenie 開放平臺，旨在構(gòu)建基于 AI 的多模態(tài)交互及服務(wù)系統(tǒng)，為多種云應(yīng)用提供跨系統(tǒng)服務(wù)能力，實(shí)現(xiàn)端云協(xié)同、跨平臺多終端快速接入。該開放平臺提供高性能且高質(zhì)量的語音 AI 能力，包括多種不同音色的高度擬人、高度流暢的語音合成算法等。

此外，天貓精靈基于 AliGenie 開放平臺，還提供基于芯片/模組的硬件解決方案，以及通用的熱門行業(yè)解決方案。專注生活多個(gè)領(lǐng)域，提供一站式解決方案。

本案例中負(fù)責(zé)實(shí)施的是天貓精靈智能引擎團(tuán)隊(duì)以及天貓精靈智能合成團(tuán)隊(duì)。天貓精靈智能合成團(tuán)隊(duì)負(fù)責(zé)語音合成等生成式算法的研究及開發(fā)；天貓精靈智能引擎團(tuán)隊(duì)主要支撐天貓精靈業(yè)務(wù)線各項(xiàng)業(yè)務(wù)的工程化落地，如語音識別、語義理解、語音合成、圖像處理等 AI 核心場景。

流式 TTS 是天貓精靈工作流中最為重要的 AI 環(huán)節(jié)之一。在這一場景中，天貓精靈智能引擎團(tuán)隊(duì)面臨著如下挑戰(zhàn)：

首先流式 TTS 對于首包延時(shí)有著嚴(yán)格要求，否則用戶將會因?yàn)檩^長的反饋遲滯而感到不適，這就要求 TTS 工作管線的每個(gè)模塊的推理能夠高效地執(zhí)行。

另一方面，團(tuán)隊(duì)希望 TTS 服務(wù)的吞吐能夠達(dá)到較高水平，這就需要在服務(wù)端對收到的多個(gè)流式合成請求進(jìn)行 Batching 的處理。但流式 TTS 工作管線包含聲學(xué)模型和聲碼器等多個(gè)模塊，在 GPU 上進(jìn)行 Batching 操作需要正確維護(hù)和切換每個(gè)合成請求所需的模型狀態(tài)，因此需要特別設(shè)計(jì)工作管線和調(diào)度邏輯。

最后，如何盡可能提升 GPU 資源利用率是降本增效的關(guān)鍵。最直接的思路便是在一張 GPU 上部署多個(gè)模型來提升利用率。因此，如何在同一張 GPU 上對多個(gè)模型進(jìn)行高效的調(diào)度和管理也成為了一個(gè)挑戰(zhàn)。

基于以上挑戰(zhàn)，天貓精靈智能引擎團(tuán)隊(duì)、智能合成團(tuán)隊(duì)與 NVIDIA 解決方案架構(gòu)團(tuán)隊(duì)合作，采用NVIDIA TensorRT對模型進(jìn)行推理加速，并利用NVIDIA Triton 推理服務(wù)器在 T4 GPU 上進(jìn)行在線部署，形成了一套高效的流式 TTS 推理部署方案。在提升用戶體驗(yàn)的同時(shí)，大幅降低了服務(wù)成本。

首先，該方案使用 TensorRT 對流式 TTS 工作管線中的每一個(gè)模型進(jìn)行優(yōu)化加速。我們將訓(xùn)練好的聲學(xué)模型和聲碼器，導(dǎo)出為 ONNX 模型格式，再使用 TensorRT 將 ONNX 模型轉(zhuǎn)換為最優(yōu)化的 TensorRT Engine。使用 TensorRT 加速的 TTS 模型，能顯著提升推理執(zhí)行的速度，從而盡可能壓縮首包延時(shí)。

另一方面，天貓精靈智能引擎團(tuán)隊(duì)與 NVIDIA 團(tuán)隊(duì)合作設(shè)計(jì)并實(shí)現(xiàn)了一種基于 Triton 的流式 TTS 推理部署管線。在該方案中，我們使用 Triton Custom Backend 實(shí)現(xiàn)串聯(lián) TTS 各個(gè)模型的調(diào)度管線。對于管線中的每一步推理處理，會調(diào)用部署在 Triton 上的 TTS TensorRT Engine。如此一來，Triton 便可將發(fā)送到服務(wù)端的 TTS 請求，有條不紊地調(diào)度到管線中的每個(gè)模塊進(jìn)行推理執(zhí)行。并且，在該管線中，我們實(shí)現(xiàn)了適用于 GPU 平臺的流式 TTS 高效調(diào)度機(jī)制，通過在服務(wù)端 Custom Backend 中維護(hù)每個(gè)合成請求的狀態(tài)，實(shí)時(shí)地將模型輸入和狀態(tài)動態(tài)聚合為對 GPU 友好的 Batch，交由管線中各個(gè)模塊的 TensorRT Engine 進(jìn)行推理，從而大幅提升管線吞吐和 GPU 利用率，同時(shí)保證了對每個(gè)合成請求的快速響應(yīng)。此外，流式 TTS 中一句話的合成請求會對應(yīng)多個(gè)回包，每個(gè)回包承載一個(gè)音頻塊。針對這種一收多發(fā)的推理模式，我們利用 Triton 提供的 Decoupled Responses 機(jī)制，保證一個(gè)請求的多個(gè)回包能夠正確高效地發(fā)送給對應(yīng)的客戶端，使用戶能聽到完整且流暢的音頻。

最后，為了進(jìn)一步提升 GPU 資源利用率，該方案利用了 Triton 的 Concurrent Model Execution 特性。該特性將部署在 Triton 上的模型或模塊，以模型實(shí)例的方式管理：一個(gè)模型可以部署多個(gè)實(shí)例，不同模型的實(shí)例也可部署在同一GPU上。因此該方案開啟了 Concurrent Model Execution 后，同一個(gè) T4 GPU 上可部署多個(gè) TTS 發(fā)音模型，使得多個(gè)模型實(shí)例的推理在 GPU 算力資源充足時(shí)可以達(dá)到并行執(zhí)行。如此一來，GPU 算力資源可以被多個(gè)模型的并行執(zhí)行充分利用起來，達(dá)到降本增效的目的。

通過使用基于 NVIDIA TensorRT 和 Triton 推理服務(wù)器的流式 TTS 推理部署方案，天貓精靈 TTS 服務(wù)的吞吐提升約 50%，首包延時(shí)降低約 35% ，幫助天貓精靈節(jié)省了業(yè)務(wù)成本，提升了用戶體驗(yàn)。