谷歌的AI语音合成系统，几乎与真人声音无法区分？

对于完全相同的单词，Tacotron 2可以根据语境来发音。它还可以根据标点符号的不同而有所区分，也可以在读到大写单词的时候加重语气。

12月28日，据国外媒体WCCF Tech报道，谷歌表示，其最新版本人工智能（AI）语音合成系统Tacotron 2输出的声音几乎与真人声音无法区分。该系统是谷歌的第二代语音转文本技术，它有两个神经网络，用于输出完美的语音。

第一个深度神经网络负责将文本转换成频谱图（以视觉方式呈现音频频率，通常是PDF格式），然后将这个频谱图载入到第二个深度神经网络WaveNet（来自Alphabet的AI研究实验室DeepMind）中，WaveNet读取频谱图并生成相似的音频元素。

语音转文本并不是一种新技术，对于Mac用户来说，它已经存在了相当长的一段时间。然而，谷歌声称其文本转语音技术优于大多数，几乎无法与人类声音区分开来。

对于完全相同的单词，Tacotron 2可以根据语境来发音。它还可以根据标点符号的不同而有所区分，也可以在读到大写单词的时候加重语气。

在国际上，目前的智能语音技术格局已经被Nuance、谷歌、苹果、微软等IT巨头垄断。在国内市场，科大讯飞、百度、思必驰等智能语音解决方案也各显特色，展现了较好的中文语音信息处理技术。

但是智能语音技术仍然有语义理解不够深入，无法理解人类讲话习惯、音调、音速，无法理解上下文语境等痛点。

谷歌的文本到语音系统，声称能够将文本的意思准确理解、断句，然后再准确的以语音形式输出。如果谷歌Tacotron 2真如其所讲的那样输出准确，与人类声音难以区分，此系统真可谓是个黑科技了。

最后，记得关注微信公众号：镁客网（im2maker），更多干货在等你！