谷歌開發(fā)的Tacotron 2使機(jī)器生成的語音聽起來電子味兒更輕，更像一個人的聲音。 他們使用神經(jīng)網(wǎng)絡(luò)來訓(xùn)練在文本范本和語音示例，以WaveNet級音頻質(zhì)量和Tacotron級韻律進(jìn)行語音的合成。
從給定文本（文本到語音合成，TTS）生成自然語音的研究已經(jīng)持續(xù)了幾十年。在過去的幾年里，研究者們?nèi)〉昧肆钊瞬毮康倪M(jìn)展。
機(jī)器人的聲音是我們關(guān)注的重點(diǎn)，像微軟的Cortana（小娜）或蘋果的Siri。隨著時間一點(diǎn)點(diǎn)過去，對比起其他機(jī)器人，谷歌 AI 聲音開始聽起來電子味兒輕了好多，更像是一個人。而現(xiàn)在，這幾乎就是人的聲音。
Google 的工程師結(jié)合了 WaveNet 和 Tacotron 等過去工作的 idea，并加強(qiáng)了最終采用于新系統(tǒng) Tacotron 2的技術(shù)。為了實(shí)現(xiàn)類似人類的語音，他們使用的神經(jīng)網(wǎng)絡(luò)僅對文本記錄和語音示例進(jìn)行訓(xùn)練，而不是以任何復(fù)雜的語言和聲學(xué)特征作為輸入。
模型架構(gòu)
該系統(tǒng)包含兩個主要部分
1. 一種針對 TTS 的周期性序列特征的預(yù)測網(wǎng)絡(luò)，優(yōu)化了字母序列的序列特征，對音頻進(jìn)行了編碼。
2. WaveNet 的改進(jìn)版本，可根據(jù)預(yù)測的頻譜圖幀生成時域波形采樣。
Tacotron 2 的模型架構(gòu)
序列-序列模型的特征是一個80維的音頻聲譜圖（每 12.5 毫秒測量一次幀），捕捉單詞，速度，音量和語調(diào)。這些功能最終使用增強(qiáng)型WaveNet版本來轉(zhuǎn)換為 24 kHz 波形的 16 位采樣。
由此產(chǎn)生的系統(tǒng)將語音結(jié)合了 WaveNet 級別的音頻質(zhì)量和 Tacotron 級的音調(diào)韻律。它可以在不依賴任何復(fù)雜的特征工程的情況下對數(shù)據(jù)進(jìn)行訓(xùn)練，并且完成與自然人聲非常接近的最先進(jìn)的音質(zhì)。
不同于公司的其他核心人工智能研究，這項技術(shù)對 Google 來說非常有用武之地。例如，它最初在 2016 年出現(xiàn)， Google 智能助理中現(xiàn)在也在使用 WaveNet。Tacotron 2 將是一個更強(qiáng)大的附加服務(wù)。
以上聽起來不錯，但仍有一些問題需要解決。該系統(tǒng)面臨著一些問題，而發(fā)音復(fù)雜的單詞如 “merlot” 和 “decorum” 等，在某種特殊情況下，它會隨機(jī)產(chǎn)生奇怪的噪音。
目前，該系統(tǒng)無法實(shí)時生成音頻，無法控制生成的語音，就像讓它說的話聽起來悲傷或快樂。此外，它只是訓(xùn)練來模仿女性的聲音；要像其他女性或男性一樣說話，開發(fā)者還得重新調(diào)試。
