用 AI 克隆语音，人和自己“对话”的障碍在哪？

2018-03-09 15:14

如果有一天，你可以将你的声音通过人工智能技术“克隆”出来，而且你还能和“你”进行各种对话，你是否愿意尝试？
这个场景并不遥远，不久前，“AI First”的谷歌表示，其最新版本的人工智能语音合成系统——Tacotron2合成出来的语音几乎和真人声音一模一样。它拥有两个深度神经网络，第一个能够将文本转化为频谱图，第二个则负责将频谱图生成相应的音频。
而麻省理工评论则认为百度的技术则更进一步，百度在最近发布的新论文中表示，该技术只要通过一个半小时的语音数据的学习，就能“克隆”出原对象的声音。
虽然以前百度的“Deep Voice”也能够生成语音，但让生成出来的语音附带不同的语言特色正是语音生成的一大突破，而且它除了能“克隆”之外，还能对该声音的性别或口音进行更改，甚至还能赋予该克隆声音一些简单的情感。
语音克隆技术是什么？又能做些什么？
语音合成技术有三种，但只有AI技术才称为语音克隆
最早的语音合成技术通过预先录制好的字词、短句来实现的，把各个部分串成一行，以此产生完整的句子。生活中各种服务热线的自助语音系统就是用这种方式实现的，所以会经常存在卡顿，音色不一样等问题，语气也很冰冷。
第二种手段虽然能够使语音更加自然，但其中也需要大量的人工处理，首先是制作语音库，确定音色、风格、特性、角色等要求后，投入音库生产线，设计录音脚本、训练录音资源、进行效果优化，在输出的时候还要进行各类语言处理，包括文本规整、词的切分，然后是韵律处理，为其划出音段特征，如音高、音长和音强等等，使合成的语音给人的感觉更加自然些。
但这类合成系统因为进行韵律预测处理方面的工作量巨大、所以也存在表现能力不足等问题，如合成语音对不同情感的表达会不够恰当，使得合成语音听起来缺乏人情味。而语音合成的技术发展不仅要让说话的声音达到真人水准，也应当在情感表达方面有所突破，使语音交互带有情感，达到更好的交流体验。
最近爆出的百度Deep Voice技术，则是通过深度学习技术实现“语音克隆”的，通过真实语音的训练，能在“听”的过程中学会每个人说

余下全部

共有评论0条

<返回

<返回首页