時隔多日，DeepMind終于出新產(chǎn)品了。

昨天，Google的DeepMind研究實驗室公布了一項最新成果——WaveNet。這是一項語音合成系統(tǒng)，它能夠模仿人類的聲音，且生成的原始音頻質(zhì)量優(yōu)于目前的文本轉(zhuǎn)語音系統(tǒng)（text to speech，簡稱TTS）。

在過去幾年，深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用大幅度提高了計算機(jī)自然語言理解能力。然而，運用計算機(jī)生成語音（語音合成，或者TTS系統(tǒng)）仍然主要依靠拼接式TTS——先錄制單一說話者的大量語音片段，建立一個大型數(shù)據(jù)庫，然后將語音片段合成完整的話語。這種語音合成方式不僅過程繁瑣，也很難對聲音加以修飾，從而無法表達(dá)強(qiáng)調(diào)或者情感。而這一難題的解決則需要運用一種參量改頻式（Parametric）TTS。

在這種TTS系統(tǒng)中，生成數(shù)據(jù)所需要的所有信息被存儲于模型的參數(shù)中，語音所傳達(dá)的內(nèi)容及語音特征可以通過模型的輸入信息得以控制。然而，目前參量改頻式TTS生成的語音聽起來還不如拼接式TTS模型生成的語音自然?，F(xiàn)有的參量改頻式模型通常將輸出的信息交給信號處理算法處理，從而生成音頻信號。

WaveNet的出現(xiàn)改變了這種方式，它直接用音頻信號的原始波形建模，并且是一次處理一個樣本。通過這種方式生成的語音不但聽起來更加自然，而且使用原始波形還能為任何聲音建模，包括模仿任何人的聲音，還能生成音樂。在測試中，WaveNet通過分析古典音樂，生成了一段鋼琴曲。

不過，雖然DeepMind宣稱，通過人耳測試，該技術(shù)使得模擬生成的語音與人類聲音之間的差異縮小了一半。但是，由于WaveNet需要強(qiáng)大的計算能力，近期也無法應(yīng)用到真實世界場景。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！