首發‖百度發布Deep Voice 2文字轉換語音系統，可熟練模仿數百種方言

研究人員通過深度學習技術，正在研發能識別物體，理解口語，甚至模擬人類聲音的系統，這類系統的質量正在以驚人的速度進步。

二月份，百度矽谷AI實驗室發布了Deep Voice 1，這是一個完全用深層神經網路生成人類語音的系統。

與其他神經文本轉換語音（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管道）學習的深層神經網路，我們實時創建了一個非常靈活的高質量語音合成系統。

它可以產生與第一次聽的實際人聲幾乎無法區分的表達，並且實時地進行。但是，該系統一次只能學習一個聲音，並需要多個小時的音頻或更多的音頻來構建樣本。

今天，百度矽谷AI實驗室正式宣布推出Deep Voice 2。只需半小時的音頻，就可以學會一個人的聲音，僅有細微差別，且系統可以學習模仿數百種不同的方言。

▌方言識別更容易實現

還記得Siri推出方言識別才沒多久嗎。因為每一個新的聲音都需要一個真正的人來錄製數千個小時的表達。之後，工程師花了很長時間來調整軟體，教它如何說話。

Deep Voice 2採用了不同的方式：它學習了數百個不同的演講者共享的共同點，以構建人類聲音的模型，然後稍微調整該模型來製作不同的角色。並且該系統不需要人為調整。

百度矽谷AI實驗室的研究科學家安德魯·吉本斯基（Andrew Gibiansky）說，「給出正確的數據，機器就可以自己學習」。

百度希望這種技術對於通過語音命令來控制的數字助手將會更有用。它也在電子書等文字轉換語音應用中看到了潛力。

「快速綜合多人聲音的能力將對未來的個人語音助理和電子書閱讀器等產品產生巨大的影響。例如，當您列入電子書時，您的電子書的每個字元都可以有獨特的聲音。

▌這是一個巨頭林立的領域

百度不是探索這個空間的唯一技術巨頭。去年9月，Google的DeepMind部門發布了WaveNet的研究，WaveNet是一種使用深度學習技術構建的聲碼器，在傳統語音合成系統中，音頻質量取得了巨大成就。

初創公司也想在這個市場上分一杯羹。Lyrebird是一家加拿大創業公司，上個月該公司展示了一種可以基於一分鐘的音頻數據模仿名人的語音表達系統。

隨著我們進入AI世界，我們的小工具越來越受到我們的聲音的控制，這項技術將用於為我們的數字助理創建各種自定義命令。你喜歡Siri聽起來像Humphrey Bogart，Hulk Hogan還是Lil Kim？

論文：http://t.cn/RS72K0x

GIF/1K

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！