人类正式将自己的声音交给了机器。
一篇研究论文发布于本月由谷歌发表——尚未经过同行评审——介绍了一种名为 Tacotron 2 的文本转语音系统，该系统声称能以近似人类的准确度，将文本模仿为真人说话的音频。
该系统是谷歌正式推出的第二代此类技术，由两个深度神经网络组成。第一个网络将文本转换为频谱图（PDF），这是一种随时间呈现音频频率的可视化方式。随后，频谱图会被输入WaveNet。这是 Alphabet 人工智能研究实验室 DeepMind 开发的系统，它读取图表并据此生成相应的音频元素。
Image: Techonomy
你可以听听下面的两个样本。请注意，每句话的样本中，一个由人工智能生成，另一个则由谷歌聘请的人类录制。我们无法确定哪个是哪一个。（不过，如果你查看“页面源代码”，再看看谷歌研究网站上各样本的文件名，其中一个标有“gen”，显然是为了标记生成的样本。）
“乔治·华盛顿是美国第一任总统。”
“那个女孩制作了一段关于《星球大战》口红的视频。”
谷歌研究人员还展示了 Tacotron 2 能够处理难以发音的词语和姓名，并能根据标点改变发音方式。例如，系统会重读大写词语，就像人们为了表示某个词在句子中很重要而特意强调它一样。
下面是一个例子：
“公交车并不是问题，它们实际上提供了解决方案。”
“公交车并不是问题，它们实际上提供了解决方案。”
与谷歌开展的一些基础人工智能研究不同，这项技术对谷歌而言马上就有用。WaveNet 于 2016 年首次公布，如今已用于生成 Google Assistant 的语音。Tacotron 2 投入实际应用后，可能会成为这项服务更强大的补充。
不过，该系统只经过训练，能够模仿一种女性声音；如果要模仿男性或另一种女性声音，谷歌就需要重新训练系统。
