Google сумела максимально точно синтезировать человечный голос
Компания Google завершила разработку технологии Tacotron второго поколения, позволяющей преобразовывать текст в речь.
Поисковый гигант уже многие годы работает над совершенствованием машинной речи для своих сервисов вроде Google Assistant, «Переводчик», «Карты» и другие. Инженерам Google удалось добиться такого результата, что теперь синтетическую речь сложно отличить от человеческой.
Новая технология учитывает пунктуацию, правильно расставляет ударения, а слова, начинающиеся с заглавной буквы, будь то имена, названия городов или ещё что-то, выделяются, так как они являются важной частью предложения. Для достижения такого результата используется две нейронные сети. Первая превращает обычный текст в спектрограмму — визуальное представление звуковых частот. Полученный результат отправляется во вторую сеть под названием WaveNet, разработанную британской компанией DeepMind, которая занимается изучением искусственного интеллекта. Она и выполняет все последующие операции.
WaveNet уже используется в английской и японской версиях Google Assistant, а вскоре будет применена и в других языках. Основным преимуществом WaveNet над аналогами является возможность работать в полностью автономном режиме. Ей не нужен доступ к большой базе данных предварительно записанных звуков. Вместо этого сеть генерирует собственные звуки, основанные на спектрограммах, подаваемых ей первой нейронной сетью. Важно отметить, что в одной записи используется голос реального человека, а во второй — созданный Tacotron 2.
Присоединяйтесь к нам в Facebook
ссылка на видео