DeepMind在twitter發(fā)文稱：“讓人類和機器對話是人機交互領域長久以來的夢想!”

　　通常我們聽到的計算機或手機輸出的文本轉語音（TTS）音頻都會覺得別扭、生硬，甚至詭異。此次DeepMind推出的這款新型語音合成系統(tǒng)WaveNet將大大改善這種情況，讓機器輸出音頻更自然、更像人類發(fā)聲。

　　當然，讓計算機發(fā)出聲音，這并不是什么新鮮事兒。

　　最常用的TTS方法可能是拼接式語音合成（ConcatenativeSynthesis）：先錄制單一說話者的大量語音片段，建立一個大型語料庫，然后簡單地從中進行選擇并合成完整的大段音頻、詞語和句子。這種“機械式”方法使得計算機輸出音頻經常產生語音毛刺、語調的詭異變化、甚至結巴，并且無法調整語音的強調性音節(jié)或情緒。

　　另外一種方法是所謂的參數(shù)化方法，利用數(shù)學模型對已知的聲音進行排列、組裝成詞語或句子來重新創(chuàng)造音頻。這種技術倒是不易產生聲音毛刺，所以確實讓機器輸出的音頻聽起來不那么機器化。

　　然而，這兩種技術的共同點是：簡單、機械地將語音片段拼接起來，而不是從零開始創(chuàng)造出整個音頻波形。
   WaveNet正是一種從零開始創(chuàng)造整個音頻波形輸出的技術。
  WaveNet利用真實的人類聲音剪輯和相應的語言、語音特征來訓練其卷積神經網絡（convolutionalneuralnetworks），讓其能夠辨別這兩方面（語言和語音）的音頻模式。使用中，對WaveNet系統(tǒng)輸入新的文本信息，也即相對應的新的語音特征，WaveNet系統(tǒng)會重新生成整個原始音頻波形來描述這個新的文本信息。

　　WaveNet組織結構

　　WaveNet是逐步進行操作的：首先，生成一個音頻波形樣本；接著再處理、生成一個音頻波形樣本，逐步進行。其中非常重要的是，新的樣本生成都會受到此前樣本結果的影響，也即每一步的樣本結果都將影響下一步的樣本預測，并幫助生成下一步的樣本。

　　最終的音頻結果確實表現(xiàn)驚人（試聽參照DeepMind網站：https://deepmind.com/blog/wavenet-generative-model-raw-audio/）。相比于連續(xù)合成和參數(shù)化合成技術，WaveNet輸出音頻明顯更接近自然人聲。

　　DeepMind的WaveNet技術無疑是計算機語音合成領域的一大突破。然而，由于WaveNet是計算整個原始音頻波形，每輸出一秒音頻神經網絡必須處理16000個樣本，所以WaveNet技術需要強大的運算能力來合成語音。

　　據(jù)DeepMind透露給《金融時報》（FinancialTimes）的內部消息稱，這意味著目前還不能應用于谷歌或其他的任何一項產品中。

　　然而，這并不是計算機面臨的唯一語言問題。翻譯自然語言和手寫文字也是人工智能系統(tǒng)的一大難題。

　　起碼以現(xiàn)在這速度，在計算機形成真正的智能思考能力之前，它們應該早就能夠用花哨的語言和人類交流了。