谷歌的AI語音合成系統，幾乎與真人聲音無法區分？

對于完全相同的單詞，Tacotron 2可以根據語境來發音。它還可以根據標點符號的不同而有所區分，也可以在讀到大寫單詞的時候加重語氣。

12月28日，據國外媒體WCCF Tech報道，谷歌表示，其最新版本人工智能（AI）語音合成系統Tacotron 2輸出的聲音幾乎與真人聲音無法區分。該系統是谷歌的第二代語音轉文本技術，它有兩個神經網絡，用于輸出完美的語音。

第一個深度神經網絡負責將文本轉換成頻譜圖（以視覺方式呈現音頻頻率，通常是PDF格式），然后將這個頻譜圖載入到第二個深度神經網絡WaveNet（來自Alphabet的AI研究實驗室DeepMind）中，WaveNet讀取頻譜圖并生成相似的音頻元素。

語音轉文本并不是一種新技術，對于Mac用戶來說，它已經存在了相當長的一段時間。然而，谷歌聲稱其文本轉語音技術優于大多數，幾乎無法與人類聲音區分開來。

對于完全相同的單詞，Tacotron 2可以根據語境來發音。它還可以根據標點符號的不同而有所區分，也可以在讀到大寫單詞的時候加重語氣。

在國際上，目前的智能語音技術格局已經被Nuance、谷歌、蘋果、微軟等IT巨頭壟斷。在國內市場，科大訊飛、百度、思必馳等智能語音解決方案也各顯特色，展現了較好的中文語音信息處理技術。

但是智能語音技術仍然有語義理解不夠深入，無法理解人類講話習慣、音調、音速，無法理解上下文語境等痛點。

谷歌的文本到語音系統，聲稱能夠將文本的意思準確理解、斷句，然后再準確的以語音形式輸出。如果谷歌Tacotron 2真如其所講的那樣輸出準確，與人類聲音難以區分，此系統真可謂是個黑科技了。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！