像人类一样说话，Google 的 AI 又点亮了新技能

除了下棋、设计衣服，Google 家的 AI 最近又点亮了一门新技能——说人话。会说话的机器人并不稀奇，苹果的 Siri，微软的小娜，都是我们所熟悉的语音助手。但 Google 家的 WaveNet ，却是能模仿真实人类声音的 AI，并且还精通多国语言、各种乐器，可以说是高配的洛天依。

WaveNet 的前世今生

让人们使用自然语言与机器进行交流，是人类长久以来的梦想。一直以来，计算机生成声音主要依靠文本-语音转换系统，即 TTS（ text-to-speech）：计算机从朗读者的声音片段组成庞大的数据库中，将文本与声音进行对应，将声音片段组合形成完整的语音输出。

图片来自：DeepMind

然而，这种方法有一个缺陷，就是声音修改非常困难，比如换成一个声音、改变重读部分或者朗读者的感情等。这就要求参数 TTS 存储大量的模型数据、语音内容和声音特点等。除此之外，使用 TTS 转换而来的声音总是显得过于生硬，衔接也不够自然。

因此，也就有了 WaveNet 项目的诞生。WaveNet  是一个能生成原始声波的深度神经网络系统，是 Google 旗下的人工智能公司 DeepMind 开发的项目之一。9 月 12 日，DeepMind 在其官方博客上宣布，WaveNet 已经能够发出高仿真的人类声音。

 与 TTS 不同的是，WaveNet 使用的是真实的声波而不仅仅是语言。简单来讲，就是将自然人声输入到系统中，由第一层券积层先进行处理，再反馈至第二层，为下一步的生成提供预测。

图片来自：DeepMind

每一步都会生成新的样本，并且都会受到此前样本结果的影响，也即每一步的结果都将影响下一步的样本预测，并帮助生成下一步的样本。经过层层处理后，最终输出的声音非常逼真。

PK，WaveNet 效果拔群

在对比测试中，DeepMind 请了英语和汉语的测试人员用各自的母语进行录音，与 Google 目前最优秀的 TTS 系统 Concatenative 和 Parametric 以及 WaveNet 进行对比。

测试结果表明，WaveNet 生成的声音要比 Google 的 TTS 系统更为自然，但与真实的人声仍有差距。

图片来自：DeepMind

这一结果令研究人员兴奋不已，DeepMind 在其博客上表示：

“这种方法能在所有 16 千赫兹的音频上奏效已经足够让人惊喜，更何况还击败了美国最先进的 TTS 系统。”

太贵，WaveNet 暂无法实现商用

除了人类声音，理论上 WaveNet 能模仿任何声音，比如喘息的声音，甚至是音乐，比如钢琴声等。有兴趣的小伙伴可以前往 DeepMind 博客试听。

图片来自：DeepMind

DeepMind 表示：“WaveNet 为 TTS、音乐和音频建模开启了许多可能性。”

事实上，研发人员通常会避免使用 WaveNet 进行建模，因为它每秒钟需要分析 16000 个样本，速度惊人，但也意味着极其高昂的成本，就连 DeepMind 也承认“这是一个巨大的挑战”。

根据彭博社的分析，考虑到成本问题，WaveNet 在短期内无法实现商用。

题图来自：Bloomberg