12月28日消息，據(jù)國(guó)外媒體WCCF Tech報(bào)道，谷歌表示，其最新版本的人工智能(AI)語(yǔ)音合成系統(tǒng)Tacotron 2幾乎與真人聲音無(wú)法區(qū)分。

　　該系統(tǒng)是谷歌的第二代語(yǔ)音轉(zhuǎn)文本技術(shù)，它有兩個(gè)深層的神經(jīng)網(wǎng)絡(luò)，用于完美的輸出。第一個(gè)深度神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)將文本轉(zhuǎn)換成頻譜圖(以視覺(jué)方式呈現(xiàn)音頻頻率，通常是PDF格式)，然后將這個(gè)頻譜圖載入到第二個(gè)深度神經(jīng)網(wǎng)絡(luò)WaveNet(來(lái)自Alphabet的AI研究實(shí)驗(yàn)室DeepMind)中，Wavenet讀取頻譜圖并生成相似的音頻元素。

　　語(yǔ)音轉(zhuǎn)文本并不是一種新技術(shù)，對(duì)于Mac用戶來(lái)說(shuō)，它已經(jīng)存在了相當(dāng)長(zhǎng)的一段時(shí)間。然而，谷歌聲稱其文本轉(zhuǎn)語(yǔ)音技術(shù)優(yōu)于大多數(shù)，幾乎無(wú)法與人類聲音區(qū)分開(kāi)來(lái)。

　　對(duì)于完全相同的單詞，Tacotron 2可以根據(jù)語(yǔ)境來(lái)發(fā)音。它還可以根據(jù)標(biāo)點(diǎn)符號(hào)的不同而有所區(qū)分，也可以在讀到大寫(xiě)單詞的時(shí)候加重語(yǔ)氣。