谷歌語音系統(tǒng)AI新科技：同真人聲音無法區(qū)分

人工智能在語音系統(tǒng)中起到了很大的作用。據(jù)報(bào)道，谷歌推出來一款文字轉(zhuǎn)語音系統(tǒng)，具有極高的發(fā)音準(zhǔn)確性，并且合成語音與真人聲音難以區(qū)分。

據(jù)國外媒體報(bào)道稱，如果按照最新的標(biāo)準(zhǔn)來看，人類似乎已經(jīng)將自己的“聲帶”正式獻(xiàn)給了人工智能。這可并不是筆者在這兒危言聳聽，而是谷歌本月開創(chuàng)性地推出了一款名為“Tacotron 2”的全新文字轉(zhuǎn)語音系統(tǒng)，它具有驚人的發(fā)音準(zhǔn)確性，且實(shí)際文本閱讀效果幾乎同真人聲音無法區(qū)分。

消息稱，“Tacotron 2”其實(shí)已經(jīng)是谷歌的第二代類似技術(shù)，它由兩個深度神經(jīng)網(wǎng)絡(luò)組成。其中一個負(fù)責(zé)將文本轉(zhuǎn)換為可視化的圖譜（通常是PDF格式），然后再將這個生成的這個可視化圖譜載入第二個深度神經(jīng)網(wǎng)絡(luò)WaveNet（這個神經(jīng)網(wǎng)絡(luò)是從DeepMind實(shí)驗(yàn)室孵化而來），并將其還原為一個真實(shí)的聲音。

目前，該系統(tǒng)只進(jìn)行了英語女聲的訓(xùn)練（如要需要它發(fā)出男性聲音的話，谷歌則需要對其進(jìn)行重新“培訓(xùn)”）。谷歌的研究人員表示，“Tacotron 2”完全可以準(zhǔn)確發(fā)音一些非常復(fù)雜的單詞和人名，并根據(jù)標(biāo)點(diǎn)符號的不同而有所區(qū)分，甚至能夠完美地講完一段繞口令。舉例來說，“Tacotron2”會默認(rèn)在讀到大寫單詞的時(shí)候加重語氣，也能夠處理少量的人為打字錯誤。

同谷歌正在研發(fā)的其他核心AI技術(shù)不同，“Tacotron 2”不僅僅是某種一直停留在實(shí)驗(yàn)室階段的技術(shù)，而是將對公司其他產(chǎn)品起到立竿見影的作用。舉例來說，谷歌實(shí)際上已經(jīng)將深度神經(jīng)網(wǎng)絡(luò)WaveNet用于在GoogleAssistant中生成更為真實(shí)的語音反饋。而一旦這一產(chǎn)品在未來迎來進(jìn)一步完善后，它顯然會對提升谷歌其他產(chǎn)品的用戶體驗(yàn)提供更大幫助。

需要指出的是，所謂“語音合成技術(shù)”又稱文本轉(zhuǎn)語音（TTS）是如今很多移動產(chǎn)品和應(yīng)用上不可或缺的技術(shù)模塊，例如語音交互應(yīng)用、導(dǎo)航、語音控制以及為視力障礙者設(shè)計(jì)的產(chǎn)品中都需要語音合成技術(shù)的支持。在此之前很長一段時(shí)間內(nèi)，語音合成技術(shù)都是采用拼接方式，需要記錄大量語料才能進(jìn)行語音合成。這樣的方法不僅前期需要處理大量數(shù)據(jù)，而且一旦說話人有所改變就需要重新記錄和處理，所以業(yè)界一直在尋找可以實(shí)時(shí)生成語音的方式。

對此，谷歌旗下DeepMind實(shí)驗(yàn)室在2016年就推出了WaveNet深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)在經(jīng)過真實(shí)語音訓(xùn)練后可以根據(jù)文本直接生成音頻。在過去12個月中，DeepMind一直在努力大幅度提高模型的速度和質(zhì)量，用于“生成能夠產(chǎn)生比現(xiàn)有技術(shù)更好、更逼真的，語音原始音頻波形”。