Deepmind语音生成模型WaveNet正式商用：效率提高1000倍

    2017年10月4日，Deepmind发表博客称，其一年前提出的生成原始音频波形的深层神经网络模型WaveNet已正式商用于Google Assistant中，该模型比起一年前的原始模型效率提高1000倍，且能比目前的方案更好地模拟自然语音。

    以下为Deepmind博客所宣布的详细信息，AI科技评论摘编如下：

    一年之前，我们提出了一种用于生成原始音频波形的深层神经网络模型WaveNet，可以产生比目前技术更好和更逼真的语音。当时，这个模型是一个原型，如果用在消费级产品中的计算量就太大了。

    在过去12个月中，我们一直在努力大幅度提高这一模型的速度和质量，而今天，我们自豪地宣布，WaveNet的更新版本已被集成到Google Assistant中，用于生成各平台上的所有英语和日语语音。

    新的WaveNet模型可以为Google Assistant提供一系列更自然的声音。

    为了理解WaveNet如何提升语音生成，我们需要先了解当前文本到语音（Text-to-Speech，TTS）或语音合成系统的工作原理。

    目前的主流做法是基于所谓的拼接TTS，它使用由单个配音演员的高质量录音大数据库，通常有数个小时的数据。这些录音被分割成小块，然后可以将其进行组合以形成完整的话语。然而，这一做法可能导致声音在连接时不自然，并且也难以修改，因为每当需要一整套的改变（例如新的情绪或语调）时需要用到全新的数据库。

    另一方案是使用参数TTS，该方案不需要利用诸如语法、嘴型移动的规则和参数来指导计算机生成语音并进行语音拼接。这种方法即便宜又快捷，但这种方法生成的语音不是那么自然。

    WaveNet采取完全不同的方法。在原始论文中，我们描述了一个深层的生成模型，可以以每秒处理16000个样本、每次处理一个样本党的方式构建单个波形，实现各个声音之间的无缝转换。

    WaveNet使用卷积神经网络构建，在大量语音样本数据集上进行了训练。在训练阶段，网络确定了语音的底层结构，比如哪些音调相互依存，什么样的波形是真实的以及哪些波形是不自然的。训练好的网络每次合成一个样本，每个生成的样本都考虑前一个样本的属性，所产生的声音包含自然语调和如嘴唇形态等参数。它的“口音”取决于它接受训练时的声音口音，而且可以从混合数据集中创建任何独特声音。与TTS系统一样，WaveNet使用文本输入来告诉它应该产生哪些字以响应查询。

    原始模型以建立高保真声音为目的，需要大量的计算。这意味着WaveNet在理论上可以做到完美模拟，但难以用于现实商用。在过去12个月里，我们团队一直在努力开发一种能够更快地生成声波的新模型。该模型适合大规模部署，并且是第一个在Google最新的TPU云基础设施上应用的产品。

    WaveNet团队目前正在准备一份能详细介绍新模型背后研究的论文，但我们认为，结果自己会说话。改进版的WaveNet模型仍然生成原始波形，但速度比原始模型快1000倍，每创建一秒钟的语音只需要50毫秒。该模型不仅仅速度更快，而且保真度更高，每秒可以产生24,000个采样波形，同时我们还将每个样本的分辨率从8bit增加到16bit，与光盘中使用的分辨率相同。

    这些改进使得新模型在人类听众的测试中显得发声更为自然。新的模型生成的第一组美式英语语音得到的平均意见得分（MOS）为4.347（满分5分），而真实人类语音的评分只有4.667。

    新模式还保留了原始WaveNet的灵活性，使我们能够在训练阶段更好地利用大量数据。具体来说，我们可以使用来自多个语音的数据来训练网络。这可以用于生成高质量和具有细节层次的声音，即使在所需输出语音中几乎没有训练数据可用。

    我们相信对于WaveNet来说这只是个开始。我们为所有世界语言的语音界面所能展开的无限可能而兴奋不已。

摘编自：AI科技评论