通过对人类语言的原始波形进行直接建模，谷歌DeepMind意图改变语音合成的方式

正文

请到「今天看啥」查看全文

通过对人类语言的原始波形进行直接建模 ， DeepMind正在改变语音合成的方式。在WaveNet平台上，这一先进的方法可以合成任意类型的语音，甚至包括音乐。下面就是通过语音拼接技术和WaveNet语音合成的例子， 可以感受一下语音品质。

其实，将人类语音的原始波形进行直接建模成波形是件无比困难的工作， 这对于机器学习而言，无疑是个巨大的挑战。

在建模的过程中，每秒都需要对下一时刻做上千个预测，而大多数预测都是基于前期的结果。DeepMind利用神经网络技术，并用人类语音波形对其进行训练，在下面的GIF动画中， 你可以看到多层计算网络来估计语音概率分布，进而得出最终输出音频。

多层计算网络来估计语音概率分布

通过对输出音频的比较，DeepMind团队发现， WaveNet产生的音频比其他方法得到的合成语音更加逼真。 甚至对于WaveNet来说，即使没有输入文本，神经网络也能得到相应的输出音频。

只不过，这时你听到的是机器的牙牙学语，听起来就像是一个人在说你从未听过的语言。这时，如果你使用古典钢琴曲而不是人声来训练， 这种机器的“咕噜”声就会变成狂乱但是有趣的音乐片段。

每一秒的音频输出都需要做上千次的预测

在DeepMind官方网站： https://deepmind.com/blog/wavenet-generative-model-raw-audio/ ， 你还能听到更多的合成语音和音乐样本。未来几年后，这些将是机器语言走向人性化的基础。

请到「今天看啥」查看全文