Google发表二代文字转语音技术，让AI讲话不再有机械腔、自然程度媲美人声

Google于本周二（12/19）揭露新一代文字转语音（Text-To-Speech，TTS）系统Tacotron 2，结合原版Tacotron和音频生成模型WaveNet，透过神经网络架构来转换文字为语音。同时，Google也释出Tacotron 2所产生的音频范本。

新版Tacotron系统是由周期性的序列到序列（Sequence-To-Sequence）特征预测网络模型所组成，并透过序列到序列模型，来对应字母序列和音频特征序列，让文字转为语音。

Tacotron 2模型架构图，图片下方为描述序列到序列模型对应字母序列和音频特征序列。（图片来源／Google）

而Google使用语音范例和相对应的文字文本，取代复杂的语言和声音特征，并透过神经网络来训练文字转语音系统。

Google在官方部落格表示，Tacotron系统的功能不仅可以捕捉单词的发音，也能捕捉各种真人语音的细节，如音量、语速和语调等。最后，由类似WaveNet的架构来转换为24K赫兹的音频。

另外，Google也请真人来为Tacotron 2系统所产生的音频评分，结果Tacotron 2系统的音频与专业真人录音的自然程度相当。

不过，Google也表示，Tacotron 2系统仍有许多挑战，例如，Tacotron 2难以发出复杂发音的单词、Tacotron 2还无法即时产生音频、研究人员目前还无法控制Tacotron 2产生的音频的语调情绪等。