谷歌發布Tacotron 2：能更簡單地訓練AI學習演講

北京時間 12 月 20 日午間消息，谷歌目前在人工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步鞏固。谷歌周三發布了 Tacotron 2。這是一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從文本中生成演講。

這項新技術利用了谷歌此前在語音生成方面最強大的兩種技術：WaveNet 和第一代 Tacotron。

WaveNet 每次能生成一段講話音頻。盡管效果很好，但 WaveNet 需要用到大量關于語言的元數據，包括發音，以及已知的語言特征等等。Tacotron 則綜合了更多高級特性，例如語調和韻律，但并不能生成最終的演講音頻。

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 使用文本和文字敘述來計算所有語言規則，而不再需要人工明確告知系統規則。文本本身被轉換為 Tacotron 風格的“梅爾頻譜”，實現節奏和強調。而單詞本身則基于 WaveNet 風格的系統來生成。

由此產生的音頻比以往更好。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，可能會隨機產生奇怪的噪聲。”

此外，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著可以訓練更多更好的系統。研究人員已經將研究成果提交至 IEEE 國際聲學語音和信號處理大會，論文已發表至 arXiv。

來自: 新浪科技