谷歌DeepMind推出WaveNet 大大改善计算机输出音频转换

2016-09-14 09:48

加入自媒体纠错订阅

导读： 近日，谷歌旗下人工智能公司DeepMind公布了其在计算机语音合成领域的最新研究突破——WaveNet。WaveNet是一种利用神经网络系统对原始音频波形(RawSoundWave)建模的技术，生成的音频质量优于目前所有的文本转语音(Text-to-Speech,TTS)系统...

　　近日，谷歌旗下人工智能公司DeepMind公布了其在计算机语音合成领域的最新研究突破——WaveNet。WaveNet是一种利用神经网络系统对原始音频波形(RawSoundWave)建模的技术，生成的音频质量优于目前所有的文本转语音(Text-to-Speech,TTS)系统，将计算机输出音频与人类自然语音差距缩小50%，号称世界最佳!

　　DeepMind在twitter发文称：“让人类和机器对话是人机交互领域长久以来的梦想!”

　　通常我们听到的计算机或手机输出的文本转语音(TTS)音频都会觉得别扭、生硬，甚至诡异。此次DeepMind推出的这款新型语音合成系统WaveNet将大大改善这种情况，让机器输出音频更自然、更像人类发声。

　　当然，让计算机发出声音，这并不是什么新鲜事儿。

　　最常用的TTS方法可能是拼接式语音合成(ConcatenativeSynthesis)：先录制单一说话者的大量语音片段，建立一个大型语料库，然后简单地从中进行选择并合成完整的大段音频、词语和句子。这种“机械式”方法使得计算机输出音频经常产生语音毛刺、语调的诡异变化、甚至结巴，并且无法调整语音的强调性音节或情绪。

　　另外一种方法是所谓的参数化方法，利用数学模型对已知的声音进行排列、组装成词语或句子来重新创造音频。这种技术倒是不易产生声音毛刺，所以确实让机器输出的音频听起来不那么机器化。

　　然而，这两种技术的共同点是：简单、机械地将语音片段拼接起来，而不是从零开始创造出整个音频波形。

谷歌DeepMind推出WaveNet 大大改善计算机输出音频转换

音频跳转

　　WaveNet正是一种从零开始创造整个音频波形输出的技术。

　　WaveNet利用真实的人类声音剪辑和相应的语言、语音特征来训练其卷积神经网络(convolutionalneuralnetworks)，让其能够辨别这两方面(语言和语音)的音频模式。使用中，对WaveNet系统输入新的文本信息，也即相对应的新的语音特征，WaveNet系统会重新生成整个原始音频波形来描述这个新的文本信息。

1 2 下一页>

进入首页浏览更多精彩内容 >>