谷歌稱語音合成系統(tǒng)Tacotron 2已達(dá)人類說話效果

眾所周知，谷歌近年來在人工智能領(lǐng)域進(jìn)行了大量實(shí)驗(yàn)。今天，谷歌在這個領(lǐng)域中又前進(jìn)了一步。谷歌方面宣稱，旗下AI驅(qū)動語音合成系統(tǒng)Tacotron 2的最新版本已經(jīng)基本達(dá)到人類說話的效果。谷歌還上傳了一些Tacotron 2的語音小樣，來讓大家體驗(yàn)一下這個最新科技。

Tacotron 2是谷歌的第二代語音文字轉(zhuǎn)換技術(shù)，結(jié)合了兩大深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了近乎完美的輸出效果。第一層神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)將文字轉(zhuǎn)化為頻譜圖（pdf），用視效來渲染聲音頻率。轉(zhuǎn)換為頻譜圖之后，將其提交給WaveNet，也就是由Alphabet的AI研究實(shí)驗(yàn)室DeepMind開發(fā)的系統(tǒng)。WaveNet讀取頻譜圖表，并生成與之相近的聲音元素。

語音文字轉(zhuǎn)換技術(shù)當(dāng)然不是什么新科技了。但谷歌方面宣稱其文字轉(zhuǎn)換語音技術(shù)高于市面上大部分類似的技術(shù)，并與人類發(fā)音幾無二致。

Tacotron 2的發(fā)音將與上下文進(jìn)行結(jié)合，有別于現(xiàn)在市面上一個詞一個詞蹦的朗讀方式。另外該系統(tǒng)還會對標(biāo)點(diǎn)符號作出反應(yīng)，并會對句子中的大寫單詞進(jìn)行強(qiáng)調(diào)。

玩家想要體驗(yàn)這段對比音頻的話，可以點(diǎn)此鏈接。其中有兩段語音小樣，而且谷歌并未標(biāo)明哪一段是由Tacotron 2朗讀，哪一段是人類朗讀的。但如果你深扒一下文件來源，就能發(fā)現(xiàn)哪段音頻出自Tacotron 2。

在聽完語音小樣并通過源代碼模式找到哪段出自Tacotron 2之手之后，我們可以發(fā)現(xiàn)谷歌確實(shí)交出了一份讓人驚嘆的答卷。這個聲音確實(shí)與人類發(fā)音非常接近，雖然并不是完全一致，但也已經(jīng)非常接近。相比市面上那些機(jī)器味十足的技術(shù)來說已經(jīng)好了很多。而且我們還能聽出文本中的標(biāo)點(diǎn)以及相應(yīng)的節(jié)奏變換。