[关闭]
@sambodhi 2018-03-28T23:12:35.000000Z 字数 2717 阅读 2052

Google推出云端TTS:借力DeepMind WaveNet技术,语音合成提速1000倍

作者|Dan Aharon
译者|Sambodhi
编辑|Natalie

AI前线导读: WaveNet是Google DeepMind最新推出的基于深度学习的原始音频生成模型,能够模仿人类的声音,并让听者难以分辨到底是机器生成的声音还是真人的声音。使人们能够与机器自由交谈是人机交互研究领域长久以来的梦想。3月27号,Google在Google Cloud Platform上推出了云端TTS(Cloud Text-to-Speech)功能,用户可以很方便地借助它来实现文字转语音的应用,使用时还可以选择由DeepMind的WaveNet生成的高保真音频。AI前线翻译了Google Cloud AI产品经理Dan Aharon写的博文Introducing Cloud Text-to-Speech powered by DeepMind WaveNet technology,对Cloud TTS功能进行进一步介绍。

Google许多产品(如Google Assistant语音智能助手、搜索、地图)都内置了高质量的语音合成功能,可以生成非常自然的声音。很多开发人员告诉我们,他们希望在自己的应用中添加语音合成功能,所以我们将这个技术集成到了Google Cloud Platform上,谓之云端TTS。

AI前线注:Google Cloud Platform的官网为:https://cloud.google.com/
Cloud Text-to-Speech的官网为:https://cloud.google.com/text-to-speech/
在本文中,为行文方便,Cloud Text-to-Speech简称为云端TTS。

云端TTS的使用方法可以有很多种,例如:

应用云端TTS,你可以从12种语言和语言变体中,选择32种不同的声音。云端TTS能够正确地读出复杂的文本,例如姓名、日期、时间和地址。云端TTS还可以定制音调、语速和音量增益,并支持多种音频格式,包括MP3和WAV。

AI前线注:语言变体是一个内涵很宽泛的概念,大至一种语言的各种方言,小至一种方言中某一项语音、词汇或句法特征,只要有一定的社会分布的范围,就是一种语言变体。语言的变体受到复杂的社会因素制约,社会语言学对语言变体的研究一般认为,讲话人的社会阶级(Class)和讲话风格(Style)是语言变体的重要基础,而讲话人的性别对语言变体也产生重要影响。根据使用者来划分的变体叫方言,根据语言使用来划分的变体叫语体或语域。

尽情享用DeepMind新技术吧!

此外,Google宣布,云端TTS还包括使用WaveNet构建的高保真语音的选项。WaveNet是DeepMind开发的用于原始音频的生成模型,它能够合成更加自然的语音,普遍看来,相较于其他TTS技术,人们更喜欢WaveNet合成的音频。

AI前线注:要了解WaveNet可参阅这篇文章:WaveNet: A Generative Model for Raw Audio(https://deepmind.com/blog/wavenet-generative-model-raw-audio/

在2016年末,DeepMind推出了WaveNet的第一个版本,这是一个在大量语音样本中进行训练的神经网络,能够从头开始创建原始音频的波形。在训练过程中,神经网络会提取语音的基本结构,例如,哪些音调会彼此相继,以及真实的语音波形应该具有什么样的形状。当输入给定文本时,经过训练的WaveNet模型会生成相应的语音波形,一次一个样本,从而实现比其他方法更高的精度。

快进到今天,我们现在运行在Google Cloud TPU基础设施上的是更新后的WaveNet。改进后的WaveNet模型生成原始波形的速度比原来的模型要快1000倍,在50毫秒内就能生成时长为1秒钟的语音。这个新模型不仅速度更快,而且保真度更高,能够以每秒24000个样本的速度创建波形。Google还将每个样本的分辨率从8位提到到16位,以提高音频质量,使之更加酷似人声。

AI前线注:欲了解Google Cloud TPU的基础设施,可参阅Cloud TPU machine learning accelerators now available in beta(https://cloudplatform.googleblog.com/2018/02/Cloud-TPU-machine-learning-accelerators-now-available-in-beta.html)。

通过这些调整,WaveNet的新模型可以生成更为自然的声音。在测试中,人们对新的美式英语口音的WaveNet声音进行打分,主观印象评测(mean-opinion-score,MOS)平均得分为4.1(分数范围为1~5),这已经比标准声音好20%以上了,而且与人类语音的差距减少了70%。由于WaveNet的声音只需要较少的录音音频输入就能生成高质量的模型,因此,Google期望在未来几个月内,能够继续为云端客户改善WaveNet的声音多样性和质量。

云端TTS已经帮助多个客户为他们的最终用户提供了更好的体验,这些客户中,包括Cisco和Dolphin ONE。

“作为协作解决方案的领先供应商,Cisco一贯有将最新的技术进步引入企业的传统。Google的云端TTS让我们得以实现客户们所渴望的自然音质。”

— Tim Tuttle, CTO of Cognitive Collaboration, Cisco


“Dolphin ONE的Calll.io电话平台可在任何位置提供来自多种设备的连接。我们已将云端TTS集成到我们的产品中,并允许用户创建自然的呼叫中心体验。通过使用Google云端的机器学习工具,我们可以马上将尖端技术交付给我们的用户。”

—Jason Berryman, Dolphin ONE

原文
https://cloudplatform.googleblog.com/2018/03/introducing-Cloud-Text-to-Speech-powered-by-Deepmind-WaveNet-technology.html

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注