今年早些时候，搜索巨头百度推出了一个名叫 DeepVoice 的全新人工智能系统，借助热门的深度学习技术，它能够实现文本到语音（TTS）的转换。初版 DeepVoice 可以产生较短的语句，不仔细听还以为是个真人在说话。该系统还可以每次学习一种声音，在数小时后即可掌握。而今年 5 月份推出 DeepVoice 2，可以在一小时内模仿出一种口音，单系统就可以学习数百种不同的口音。
现在，百度推出了 DeepVoice 的“最终版”，声称可以在每半个小时内完成对 10000 种语音的数据学习。这种高效生成各种各样声音的技术，为许多用例打开了大门。
例如，在有声书或视频游戏中，每个角色都可以有自己独特的声音，以获得更强的用户体验。不过与真人配音相比，百度 DeepVoice 产出的口音，其合成感还是很明显的。
对此，百度表示这并不是他们的目标：“如果只生成一两种口音的话，我们的系统早已证实能够合成相当自然的、接近真人的口音，且可以轻易将它用作数字助理”。
Deep Voice 3 架构图
百度所要尝试的，是制造出一种能够掌握多种口音或字符间细微差别的系统：
这只是最初的工作，展示了可伸缩的可能性。我们的系统成功地量训练扩大了一个规模，此前发表的 TTS 模型中尚未达到过。
我们相信，通过使用大型高质量数据集、和额外的机器学习工程训练，其质量可在不久的将来大幅提升。
需要指出的是，百度并不是唯一一家从事计算机语音合成工作的搜索巨头，Google 旗下的 DeepMind 部门也一直在进行一个名叫 WaveNet 的类似项目。
在最新的版本中，WaveNet 已经能够在掌握口音方面做到更好，甚至像真人那样产生“唇音”。现在，它已经被用到了英语和日语版本的 Google Assistant 上。
[编译自：TheVerge , 来源：百度研究院]
相关文章
