谷歌語音合成系統再升級，AI：安能辨我是人機？

12月，谷歌公布了一篇研究論文，詳細闡述一個名為「Tacotron 2」的人工智慧（AI）文字-語音轉換系統。Tacotron 2生成的聲音與人類相似，甚至達到真假難辨的程度。需要指出的是，這篇論文尚未進行同行評議。

Tacotron 2是谷歌的第二代文字-語音轉換技術，由兩個深度神經網路構成。第一個網路負責將文本轉化成聲譜圖，也就是讓音頻可視化。聲譜圖隨後傳輸給的WaveNet系統：WaveNet 是一種用於生成原始音頻波形的深層神經網路模型，讀取聲譜圖後生成與文本相匹配的音頻。聲音與人聲高度相似，還能聽出相應的節奏變化。

WaveNet由 Alphabet人工智慧研究實驗室DeepMind於2016年提出。在過去一年裡，DeepMind 和谷歌的團隊創建了一個速度快 1000 倍的新模型，大幅提高了效率，解決了之前計算速度太慢的問題。今年10月份，DeepMind 正式宣布新的並行WaveNet開始在現實世界中落地商用。

在論文中，谷歌團隊表示WaveNet由卷積神經網路構建，在訓練階段該網路就會確定語音的底層結構，訓練好的網路每生成的一個樣本都會參考前一個樣本的屬性，所產生的聲音包含自然語調和如嘴唇形態等參數。

谷歌研究人員表示Tacotron 2能夠處理髮音難度較大的單詞和名字，它還可以從混合數據集中創建獨特聲音，不過它的「口音」取決於它接受訓練時的聲音。同時，它能夠根據讀音改變發聲方式。例如，字首大寫的單詞它會像人類一樣使用重音，以突出它們在句子中的重要性。此外，該系統還具備處理文本中少量的單詞錯誤的功能，在英文文本的轉換閱讀中可分辨細小差異。

不過，Tacotron2系統目前接受的訓練只能模仿一名女性的聲音，如果想模仿男性或者其他女性，還需要再次接受訓練。

與谷歌進行的其它核心人工智慧研究不同，這項技術能夠立即讓谷歌受益。2016年WaveNet上線後，就能幫助谷歌助手生成逼真的美國英語和日語語音。在走出實驗室並進行完善後，投入使用的Tacotron 2將進一步提高谷歌助手的競爭力。

這項語音系統的突破，也使谷歌在國際智能語音技術競賽中再次領先。不過在國內市場中，谷歌語音技術的中文語義理解不是很深入，百度、科大訊飛等企業在中文語音處理技術方面還是稍佔先機。

語音合成是百度AI的代表技術之一。去年在百度語音三周年的活動現場，百度語音技術團隊就成功利用「情感語音合成技術」，合成出張國榮生前的聲音，並以他的聲音回應粉絲的祝福，引得眾多粉絲圍觀。如今，百度語音技術的應用場景也大大擴展，進入到教育、出行、翻譯等各個領域，形成從技術模型、場景開發到行業應用的矩陣。

今年11月，百度還宣布語音技術全系列介面永久免費開放，提供語音識別、語音合成、語音喚醒多平台軟體開發工具包。「免費」支持眾多開發者和合作夥伴的背後，可能還是蘊含著著坐中文智能語音技術頭把交椅的野心。

編輯：Bixby

圖片：部分源自網路

本文為未來圖靈（futureturing）獨家文章，轉載請申請授權並註明來源。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！