видеозаписи Witcher 3: Wild Hunt, the

Google учится красиво говорить по-китайски и по-английски

Искусственный интеллект Google на базе британской компании Deep Mind учится произносить предложения так, чтобы они звучали естественно. Прослушивая записи человеческой речи, самообучающаяся нейросеть уже выработала алгоритмы, позволяющие ей говорить на английском и китайском языках лучше, чем все роботы до нее.

Для этого самообучающейся нейросети необходимо прослушать множество аудиозаписей и научиться самостоятельно выделять смыслообразующие изменения длины звуковой волны. Однако это не так просто. Аудиозапись человеческой речи — это порядка 16000 звуковых модуляций в секунду. Представьте себе визуализацию звуковой волны — обычный веретенообразный график. Каждый изгиб этого веретена порожден тысячами изменений длины и амплитуды звуковой волны.

Существующие генераторы речи работают за счет конкатенации (склеивания) фрагментов записанной речи из обширной библиотеки. Их звучание совсем нетрудно отличить от человеческой речи. Вы часто слышите конкатенативные TTS (text-t-speach systems) в навигаторе: «Поверните направо, а затем поверните направо». Не записав дополнительно огромные библиотеки, нельзя добиться от такой системы естественного звучания. Поэтому возникла потребность в параметрической TTS (наподобие тех, которые существуют в вокодерах), которая могла бы озвучить любой фрагмент текста, не известный заранее, и была бы при этом неотличима на слух от речи живого человека.

Нравится10
Комментарии (6)
B
i
u
Спойлер