谷歌發布Tacotron 2：能更簡單地訓練AI學習演講

來源：網絡2017-12-20 14:19:07

北(běi)京時間12月20日午間消息，谷歌目前在人工(gōng)智能語音技術方面處于領先，而這樣的領先優勢很可能得到進一(yī)步鞏固。谷歌周三發布了Tacotron 2。這是一(yī)種訓練神經網絡的新方法，可以在幾乎沒有任何語法專業性的情況下(xià)從文本中(zhōng)生(shēng)成演講。

　　這項新技術利用了谷歌此前在語音生(shēng)成方面最強大(dà)的兩種技術：WaveNet和第一(yī)代Tacotron。

　　WaveNet每次能生(shēng)成一(yī)段講話(huà)音頻(pín)。盡管效果很好，但WaveNet需要用到大(dà)量關于語言的元數據，包括發音，以及已知(zhī)的語言特征等等。Tacotron則綜合了更多高級特性，例如語調和韻律，但并不能生(shēng)成最終的演講音頻(pín)。

　　Tacotron 2結合了以上兩者的優勢，或許已經發揮出了當前技術專業性的極限。Tacotron 2使用文本和文字叙述來計算所有語言規則，而不再需要人工(gōng)明确告知(zhī)系統規則。文本本身被轉換爲Tacotron風格的“梅爾頻(pín)譜”，實現節奏和強調。而單詞本身則基于WaveNet風格的系統來生(shēng)成。

　　由此産生(shēng)的音頻(pín)比以往更好。演講的節奏感很好，但對于不太直觀的單詞，發音可能有問題。這或許是由于，單詞的來源不是美式英語，這樣的單詞包括Decorum和Merlot。研究者表示：“在極端情況下(xià)，可能會随機産生(shēng)奇怪的噪聲。”

　　此外(wài)，盡管口音和其他語言細節可以通過與WaveNet的交流而輸入，但仍然沒有任何方式去(qù)控制演講的語調情緒，例如樂觀或擔憂。

　　降低系統訓練障礙意味着可以訓練更多更好的系統。研究人員(yuán)已經将研究成果提交至IEEE國際聲學語音和信号處理大(dà)會，論文已發表至arXiv。