Siri 和 Alexa 表现不错，但没有人会把它们误认为是人类。然而，谷歌的最新项目可能会改变这一点。
这个名为 Tacotron 2 的最新尝试，旨在让电脑像人一样说话，它建立在该公司最近的两个文本转语音项目的基础之上，即最初的 Tacotron 和 WaveNet。
跟我重复
Tacotron 2 将其前身在文本映射方面的能力与 WaveNet 在语音方面的优势结合起来，最终产生的结果坦率地说有点令人不安。它的工作原理是获取文本，并根据对实际人类语音片段的训练，将音节和单词映射到声谱图（音频波的视觉表示）。然后，这个声谱图再通过基于 WaveNet 的声码器转换成实际的语音。Tacotron 2 使用的声谱图可以处理 80 种不同的语音维度，谷歌表示这足以重现单词的准确发音以及人类语音的自然节奏。研究人员在发表在预印本服务器 arXiv 上的一篇论文中报告了他们的工作。
大多数电脑语音程序使用一个音节和单词库来构建句子，这被称为串联合成。当人类说话时，我们会根据上下文广泛地改变发音，这使得电脑语音缺乏活力。谷歌正试图摆脱单词和声音的重复，不仅根据构成句子的单词来构建句子，而且还根据这些单词的含义来构建句子。该程序使用一个由相互连接的节点组成的网络，这些节点连接在一起以识别语音中的模式，并最终预测句子中接下来会是什么，从而有助于平滑语调。
研究人员在网上发布的大量示例支持了他们的说法。WaveNet 听起来准确但有点平淡，而 Tacotron 2 听起来很充实，变化多端得令人印象深刻。
该程序还可以轻松处理复杂的多音节词，并且可以被指示对单词或音节增加重音以改变对句子的解释。这意味着 Tacotron 2 可以将语句表达成疑问句，正确区分同音异义词，以及更细微的事情，例如通过对某个词增加强调来突出句子的主语。
最后的、也是最引人注目的测试是人类声音和电脑声音的并排比较。研究人员表示，在一项流行的语音质量测试中，Tacotron 2 得分为 4.53，而专业录音语音的得分为 4.58。
尽管该程序令人印象深刻，但它仍然有一些缺陷。它无法为语音注入任何情感，而且目前还不够快，无法实时生成音频。
