Tacotron 2是谷歌的第二代語音文字轉(zhuǎn)換技術(shù)，結(jié)合了兩大深度神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了近乎完美的輸出效果。第一層神經(jīng)網(wǎng)絡(luò)負責(zé)將文字轉(zhuǎn)化為頻譜圖（pdf），用視效來渲染聲音頻率。轉(zhuǎn)換為頻譜圖之后，將其提交給WaveNet，也就是由Alphabet的AI研究實驗室DeepMind開發(fā)的系統(tǒng)。WaveNet讀取頻譜圖表，并生成與之相近的聲音元素。
語音文字轉(zhuǎn)換技術(shù)當然不是什么新科技了。但谷歌方面宣稱其文字轉(zhuǎn)換語音技術(shù)高于市面上大部分類似的技術(shù)，并與人類發(fā)音幾無二致。廣州網(wǎng)站建設(shè)公司
Tacotron 2的發(fā)音將與上下文進行結(jié)合，有別于現(xiàn)在市面上一個詞一個詞蹦的朗讀方式。另外該系統(tǒng)還會對標點符號作出反應(yīng)，并會對句子中的大寫單詞進行強調(diào)。
玩家想要體驗這段對比音頻的話，可以點此鏈接。其中有兩段語音小樣，而且谷歌并未標明哪一段是由Tacotron 2朗讀，哪一段是人類朗讀的。但如果你深扒一下文件來源，就能發(fā)現(xiàn)哪段音頻出自Tacotron 2。
在聽完語音小樣并通過源代碼模式找到哪段出自Tacotron 2之手之后，我們可以發(fā)現(xiàn)谷歌確實交出了一份讓人驚嘆的答卷。這個聲音確實與人類發(fā)音非常接近，雖然并不是完全一致，但也已經(jīng)非常接近。相比市面上那些機器味十足的技術(shù)來說已經(jīng)好了很多。而且我們還能聽出文本中的標點以及相應(yīng)的節(jié)奏變換。
