百度發布語音生成器Deep Voice 2，可生成數百種聲音

GIF/1.7M

圖：pixabay

今年2月，百度矽谷人工智慧實驗室發布了Deep Voice 1，它是一個完全用深度神經網路生成人類語音的系統。與其他神經文本到語音（TTS）系統不同的是，Deep Voice 1可以實時運行，並且能夠快速地合成音頻，使其可以用於諸如媒體和對話界面之類的互動式應用。通過訓練能夠從大量數據和簡單特徵（而不是定製設計的手工傳遞途徑）學習的深度神經網路，我們實時創建了一個非常靈活的高質量語音合成系統。

今天，百度發布Deep Voice 2，它是Deep Voice系統的下一個迭代。這次升級只用了三個月，百度已經能夠將系統從20小時的演講和單聲道，擴展到數百小時，並擁有數百種聲音。Deep Voice 2可以從數百種語音中學習，並完美地模仿它們。與傳統系統不同，傳統的系統需要來自單個語音的數十個小時的音頻，Deep Voice 2可以從每個語音不到半小時的數據中吸取數百種獨特的聲音，同時實現高音質。

Deep Voice 2通過尋找不同聲音之間的共同特徵來學習語音。具體來說，每個聲音對應於單個向量——約50個數字，總結如何產生模仿目標語音的聲音。與所有以前的TTS系統不同，Deep Voice 2從頭開始學習這些特徵，沒有任何關於什麼使聲音可以區分的指導。

摘要：我們介紹一種增強神經文本到語音（TTS）的技術，具有低維度可訓練的語音嵌入以從單個模型生成不同的聲音。作為起點，我們展示了對於單語音神經TTS：Deep Voice 1和Tacotron的兩種最新技術的改進。我們引入Deep Voice 2，其基於與Deep Voice 1相似的傳遞途徑，但構建了更高性能的構建塊，並且在Deep Voice 1中展現了顯著的音頻質量改進。通過引入後處理神經聲碼器來改進Tacotron，顯示音頻質量明顯提高。然後，我們演示了在兩個多語音TTS數據集上為Deep Voice 2和Tacotron進行多語音合成的技術。結果顯示，單個神經TTS系統可以從每個語音的不到半小時的數據中學習數百種獨特的聲音，同時實現高音頻質量合成並且幾乎完美地保持語音的特性。

有關Deep Voice 2的更多信息，請閱讀完整論文：

來源：Baidu Research

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！