今年早些時(shí)候，搜索巨頭百度推出了一個(gè)名叫 DeepVoice 的全新人工智能系統(tǒng)，借助熱門的深度學(xué)習(xí)技術(shù)，它能夠?qū)崿F(xiàn)文本到語(yǔ)音（TTS）的轉(zhuǎn)換。初版 DeepVoice 可以產(chǎn)生較短的語(yǔ)句，不仔細(xì)聽還以為是個(gè)真人在說(shuō)話。該系統(tǒng)還可以每次學(xué)習(xí)一種聲音，在數(shù)小時(shí)后即可掌握。而今年 5 月份推出 DeepVoice 2，可以在一小時(shí)內(nèi)模仿出一種口音，單系統(tǒng)就可以學(xué)習(xí)數(shù)百種不同的口音。 

現(xiàn)在，百度推出了 DeepVoice 的“最終版”，聲稱可以在每半個(gè)小時(shí)內(nèi)完成對(duì) 10000 種語(yǔ)音的數(shù)據(jù)學(xué)習(xí)。這種高效生成各種各樣聲音的技術(shù)，為許多用例打開了大門。

例如，在有聲書或視頻游戲中，每個(gè)角色都可以有自己獨(dú)特的聲音，以獲得更強(qiáng)的用戶體驗(yàn)。不過與真人配音相比，百度 DeepVoice 產(chǎn)出的口音，其合成感還是很明顯的。

對(duì)此，百度表示這并不是他們的目標(biāo)：“如果只生成一兩種口音的話，我們的系統(tǒng)早已證實(shí)能夠合成相當(dāng)自然的、接近真人的口音，且可以輕易將它用作數(shù)字助理”。

Deep Voice 3 架構(gòu)圖

百度所要嘗試的，是制造出一種能夠掌握多種口音或字符間細(xì)微差別的系統(tǒng)：

這只是最初的工作，展示了可伸縮的可能性。我們的系統(tǒng)成功地量訓(xùn)練擴(kuò)大了一個(gè)規(guī)模，此前發(fā)表的 TTS 模型中尚未達(dá)到過。

我們相信，通過使用大型高質(zhì)量數(shù)據(jù)集、和額外的機(jī)器學(xué)習(xí)工程訓(xùn)練，其質(zhì)量可在不久的將來(lái)大幅提升。

需要指出的是，百度并不是唯一一家從事計(jì)算機(jī)語(yǔ)音合成工作的搜索巨頭，Google 旗下的 DeepMind 部門也一直在進(jìn)行一個(gè)名叫 WaveNet 的類似項(xiàng)目。

在最新的版本中，WaveNet 已經(jīng)能夠在掌握口音方面做到更好，甚至像真人那樣產(chǎn)生“唇音”?，F(xiàn)在，它已經(jīng)被用到了英語(yǔ)和日語(yǔ)版本的 Google Assistant 上。

[編譯自：TheVerge , 來(lái)源：百度研究院]