谷歌DeepMind发布重磅技术WaveNet：机器人的面孔，天使的声音

近日，谷歌旗下人工智能公司DeepMind公布了其在计算机语音合成领域的最新研究突破——WaveNet。WaveNet是一种利用神经网络系统对原始音频波形（Raw SoundWave）建模的技术，生成的音频质量优于目前所有的文本转语音（Text-to-Speech,TTS）系统，将计算机输出音频与人类自然语音差距缩小50%，号称世界最佳！

DeepMind在twitter发文称：“让人类和机器对话是人机交互领域长久以来的梦想!”

通常我们听到的计算机或手机输出的文本转语音（TTS）音频都会觉得别扭、生硬，甚至诡异。此次DeepMind推出的这款新型语音合成系统WaveNet将大大改善这种情况，让机器输出音频更自然、更像人类发声。

当然，让计算机发出声音，这并不是什么新鲜事儿。

最常用的TTS方法可能是拼接式语音合成（Concatenative Synthesis）：先录制单一说话者的大量语音片段，建立一个大型语料库，然后简单地从中进行选择并合成完整的大段音频、词语和句子。这种“机械式”方法使得计算机输出音频经常产生语音毛刺、语调的诡异变化、甚至结巴，并且无法调整语音的强调性音节或情绪。

另外一种方法是所谓的参数化方法，利用数学模型对已知的声音进行排列、组装成词语或句子来重新创造音频。这种技术倒是不易产生声音毛刺，所以确实让机器输出的音频听起来不那么机器化。

然而，这两种技术的共同点是：简单、机械地将语音片段拼接起来，而不是从零开始创造出整个音频波形。

音频跳转
 

WaveNet正是一种从零开始创造整个音频波形输出的技术。

WaveNet利用真实的人类声音剪辑和相应的语言、语音特征来训练其卷积神经网络（convolutional neural networks），让其能够辨别这两方面（语言和语音）的音频模式。使用中，对WaveNet系统输入新的文本信息，也即相对应的新的语音特征，WaveNet系统会重新生成整个原始音频波形来描述这个新的文本信息。
 

WaveNet组织结构
 

WaveNet是逐步进行操作的：首先，生成一个音频波形样本；接着再处理、生成一个音频波形样本，逐步进行。其中非常重要的是，新的样本生成都会受到此前样本结果的影响，也即每一步的样本结果都将影响下一步的样本预测，并帮助生成下一步的样本。

最终的音频结果确实表现惊人（试听参照DeepMind网站：https://deepmind.com/blog/wavenet-generative-model-raw-audio/）。相比于连续合成和参数化合成技术，WaveNet输出音频明显更接近自然人声。

DeepMind的WaveNet技术无疑是计算机语音合成领域的一大突破。然而，由于WaveNet是计算整个原始音频波形，每输出一秒音频神经网络必须处理16000个样本，所以WaveNet技术需要强大的运算能力来合成语音。

据DeepMind透露给《金融时报》（Financial Times）的内部消息称，这意味着目前还不能应用于谷歌或其他的任何一项产品中。

然而，这并不是计算机面临的唯一语言问题。翻译自然语言和手写文字也是人工智能系统的一大难题。

起码以现在这速度，在计算机形成真正的智能思考能力之前，它们应该早就能够用花哨的语言和人类交流了。