百度的 Deep Voice 系統可以快速合成真人語音

除了在矽谷的人工智慧中心開發自駕車技術外，百度原來還有在動些其它的腦筋啊。最近他們向公開了一套名為 Deep Voice 的文字轉語音系統，根據官方描述來看，其速度和效率似乎都勝過了 Deepmind（Alphabet）正在開發的同類產品 WaveNet。按照百度的說法，Deep Voice 在幾乎無須人工介入的前提下，只需短短數小時便能學會說話。而且開發人員還可以對其要傳達的感情狀態進行設定，這樣合成出來的語音聽起來就會非常真實、自然。

前面提到的 WaveNet，也可以實現類似的功能，但其需要巨大的運算力在背後支撐，而且目前還無法拿到日常環境中做實際用途。而百度表示，自己依靠深度學習技術解決了 WaveNet 尚未克服的難題。Deep Voice 會先將文字轉化為音素（最小的語音單位），然後再依靠自己的語音合成網路將其變為你所聽到的聲音。以 Hello 這個單字為例，在最終發音前，Deep Voice 會將其拆分為（無聲，HH）、（HH，EH）、（EH，L）、（L，OW）、（OW，無聲）這樣的音素組合。

這兩個步驟都需要用到深度學習的技術，而百度（人類）的作用，在於控制要怎樣給音素、音節加重音或是縮短、拖長音，「潤色」之後 Deep Voice 講的話聽上去才會更顯感情。不過，儘管這方面的效果很好，但 WaveNet 吃運算力的問題，Deep Voice 也還是一樣頭大。想要比較好地模擬出真人那樣的反應，電腦必須在 20 微秒內生成詞語。為了達成這一點，百度必須確保系統不會重新計算結果，而且得將整套模型放在處理器快取而非主記憶體內，同時還要最大限度地利用所有能獲取的運算資源。

實際上，百度已經將一些 Deep Voice 的樣本放到了 Amazon 的 Mechanical Turk 平台上，至今為止他們已收穫了許多正面的回饋。當然，距離其真正被商用肯定還有不少時日，但就目前的完成度來說，應該會比較值得期待吧。

來源: Baidu Research, MIT Technology Review