谷歌发布云端TTS,语音合成提速1000倍
极客时间编辑部
讲述:丁婵大小:1.12M时长:02:27
近日,谷歌在其云平台 GCP 上推出了云端 TTS(Cloud Text-to-Speech)功能,用户可以很方便地借助它来实现文字转语音的应用,还可以选择由 DeepMind 的 WaveNet 生成高保真音频。
据介绍,云端 TTS 的使用方法可以有很多种,例如为呼叫中心提供语音应答系统,并启用实时自然语言对话,或是让物联网设备(如电视、汽车、机器人)能够与用户交谈。
在应用云端 TTS 时,开发者可以从 12 种语言和语言变体中,选择 32 种不同的声音。云端 TTS 能够正确地读出复杂的文本,例如姓名、日期、时间和地址。它还可以定制音调、语速和音量增益,并支持多种音频格式,包括 MP3 和 WAV。
此外,谷歌宣布,云端 TTS 还包括使用 WaveNet 构建的高保真语音的选项。WaveNet 是 DeepMind 开发的用于原始音频的生成模型,它能够合成更加自然的语音,普遍看来,相较于其他 TTS 技术,人们更喜欢 WaveNet 合成的音频。
据介绍,WaveNet 是一个在大量语音样本中进行训练的神经网络,能够从头开始创建原始音频的波形。在训练过程中,神经网络会提取语音的基本结构,例如,哪些音调会彼此相继,以及真实的语音波形应该具有什么样的形状。当输入给定文本时,经过训练的 WaveNet 模型会生成相应的语音波形,一次一个样本,从而实现比其他方法更高的精度。
现在,运行在谷歌云 TPU 基础设施上的是更新后的 WaveNet,其生成原始波形的速度要比原来的模型快 1000 倍,在 50 毫秒内就能生成时长为 1 秒钟的语音。
另外,这个新模型不仅速度更快,而且保真度更高,能够以每秒 24000 个样本的速度创建波形。谷歌还将每个样本的分辨率从 8 位提升到 16 位,以提高音频质量,使它变得和人声更接近。
由于 WaveNet 的声音只需要较少的录音音频输入就能生成高质量的模型,因此,谷歌期望在未来几个月内,能够继续为云端客户改善 WaveNet 的声音多样性和质量。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》,如需阅读全部文章,
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论