谷歌利用WaveNet模型的收益 聽起來更自然

DeepMind的人工智能人才一直致力于消費(fèi)產(chǎn)品的功能。Business Insider UK高級技術(shù)記者Sam Shead 表示，谷歌應(yīng)用DeepMind開發(fā)的軟件用于其虛擬助手。

根據(jù)周三發(fā)布的博客文章，人工智能公司DeepMind有一個適用于美國英語和日語的WaveNet系統(tǒng)版本。他們說，“我們很自豪地宣布，WaveNet的更新版本正用于在所有平臺上為美國英語和日語生成Google Assistant語音。”

“谷歌將DeepMind的技術(shù)集成到其產(chǎn)品中的速度很慢，迄今為止只宣布了一個數(shù)據(jù)中心效率項(xiàng)目，盡管在全球范圍內(nèi)，”Shead說。“現(xiàn)在該公司的WaveNet神經(jīng)網(wǎng)絡(luò)正被用于為美國英語和日語生成Google Assistant語音。”

Google智能助理是由谷歌開發(fā)的虛擬個人助理。

Pocket-lint將Google 智能助理稱為語音控制智能助手。“它被認(rèn)為是Google Now的升級版或擴(kuò)展版 - 專為個人而設(shè)計(jì) - 同時擴(kuò)展了Google現(xiàn)有的'OK Google'語音控件。”

DeepMind博客文章來自研究科學(xué)家Tom Walters的研究科學(xué)家Aäronvanden Oord和谷歌語音軟件工程師Trevor Strohman。

他們談?wù)摰母率怯蒁eepMind WaveNet研究和工程團(tuán)隊(duì)以及Google Text-to-Speech團(tuán)隊(duì)完成的。

就在一年多以前，WaveNet被提出，一個深度神經(jīng)網(wǎng)絡(luò)生成原始音頻波形并能夠產(chǎn)生語音。

它們是如何構(gòu)建的：卷積神經(jīng)網(wǎng)絡(luò)在大量語音樣本數(shù)據(jù)集上進(jìn)行訓(xùn)練。與現(xiàn)有技術(shù)相比，目標(biāo)是更自然的演講。在他們的原始論文中，他們說“從頭開始創(chuàng)建單獨(dú)的波形，一次創(chuàng)建一個樣本，每秒16,000個樣本，并在各個聲音之間進(jìn)行無縫過渡。”

正如博客作者所說，“WaveNet顯示出了希望，但不是我們可以在現(xiàn)實(shí)世界中部署的東西。” 對于消費(fèi)品而言，它“計(jì)算量太大”。團(tuán)隊(duì)忙于改進(jìn)模型。他們表示，它現(xiàn)在可以“大規(guī)模運(yùn)行，是第一款在谷歌最新的TPU云基礎(chǔ)設(shè)施上推出的產(chǎn)品。”

主要收益：

“新改進(jìn)的WaveNet模型仍然可以生成原始波形，但速度比原始模型快1000倍，這意味著只需50毫秒即可創(chuàng)建一秒鐘的語音。”

ExtremeTech的瑞恩·惠特瓦姆(Ryan Whitwam)表示：“DeepMind很快將承諾提供一份完整的論文，詳細(xì)說明如何實(shí)現(xiàn)這一目標(biāo)。”

他們在博客上寫道，根據(jù)人類聽眾的測試，結(jié)果更自然。

Whitwam上周五表示：“發(fā)布時助手使用的語音模式并不差，但谷歌剛剛推出了英語和日語的大幅改進(jìn)版本。”

該博客有一些有趣的摘要，說明該技術(shù)的發(fā)展程度。

至于當(dāng)前的文本到語音系統(tǒng)，他們注意到拼接TTS不僅會產(chǎn)生不自然的聲音，而且很難修改這些系統(tǒng)：每次有轉(zhuǎn)變時都需要記錄新的數(shù)據(jù)庫，例如新的情緒或語調(diào)。

為了克服其中一些問題，他們說有時會使用替代模型，即參數(shù)化TTS。這種方法使用關(guān)于嘴部運(yùn)動和語法的規(guī)則和參數(shù)來傳遞聲音，這些聲音聽起來并不完全自然。

有WaveNet。

那么，DeepMind，下一步是什么?他們說這只是WaveNet的開始。他們表示，他們對“語音接口的強(qiáng)大功能現(xiàn)在可以解鎖所有世界語言”的可能性感到興奮。