12月，谷歌公布了一篇研究论文，详细阐述一个名为“Tacotron 2”的人工智能（AI）文字-语音转换系统。Tacotron 2生成的声音与人类相似，甚至达到真假难辨的程度。需要指出的是，这篇论文尚未进行同行评议。

Tacotron 2是谷歌的第二代文字-语音转换技术，由两个深度神经网络构成。第一个网络负责将文本转化成声谱图，也就是让音频可视化。声谱图随后传输给的WaveNet系统：WaveNet 是一种用于生成原始音频波形的深层神经网络模型，读取声谱图后生成与文本相匹配的音频。声音与人声高度相似，还能听出相应的节奏变化。

WaveNet由 Alphabet人工智能研究实验室DeepMind于2016年提出。在过去一年里，DeepMind 和谷歌的团队创建了一个速度快 1000 倍的新模型，大幅提高了效率，解决了之前计算速度太慢的问题。今年10月份，DeepMind 正式宣布新的并行WaveNet开始在现实世界中落地商用。

在论文中，谷歌团队表示WaveNet由卷积神经网络构建，在训练阶段该网络就会确定语音的底层结构，训练好的网络每生成的一个样本都会参考前一个样本的属性，所产生的声音包含自然语调和如嘴唇形态等参数。

谷歌研究人员表示Tacotron 2能够处理发音难度较大的单词和名字，它还可以从混合数据集中创建独特声音，不过它的“口音”取决于它接受训练时的声音。同时，它能够根据读音改变发声方式。例如，字首大写的单词它会像人类一样使用重音，以突出它们在句子中的重要性。此外，该系统还具备处理文本中少量的单词错误的功能，在英文文本的转换阅读中可分辨细小差异。

不过，Tacotron2系统目前接受的训练只能模仿一名女性的声音，如果想模仿男性或者其他女性，还需要再次接受训练。

与谷歌进行的其它核心人工智能研究不同，这项技术能够立即让谷歌受益。2016年WaveNet上线后，就能帮助谷歌助手生成逼真的美国英语和日语语音。在走出实验室并进行完善后，投入使用的Tacotron 2将进一步提高谷歌助手的竞争力。

这项语音系统的突破，也使谷歌在国际智能语音技术竞赛中再次领先。不过在国内市场中，谷歌语音技术的中文语义理解不是很深入，百度、科大讯飞等企业在中文语音处理技术方面还是稍占先机。

语音合成是百度AI的代表技术之一。去年在百度语音三周年的活动现场，百度语音技术团队就成功利用“情感语音合成技术”，合成出张国荣生前的声音，并以他的声音回应粉丝的祝福，引得众多粉丝围观。如今，百度语音技术的应用场景也大大扩展，进入到教育、出行、翻译等各个领域，形成从技术模型、场景开发到行业应用的矩阵。

今年11月，百度还宣布语音技术全系列接口永久免费开放，提供语音识别、语音合成、语音唤醒多平台软件开发工具包。“免费”支持众多开发者和合作伙伴的背后，可能还是蕴含着着坐中文智能语音技术头把交椅的野心。

编辑：Bixby

​