百度 Deep Voice 实现文本到语音的实时转换；迄今最强核弹 GTX 1080 TI | 开发者头条

▲ 内容预览：

• 百度实现文本到语音的实时转换
• Facebook 发布支持 90 种语言的预训练词向量
• 英伟达发布迄今为止最强核弹 GTX 1080 TI 每日推荐阅读：
• 高手实战演练，十大机器学习时间序列预测难题
• 从零起步，基础机器学习模型和算法的 Python 代码实现

█ 百度 Deep Voice，实现文本到语音的实时转换

今日百度公开宣布了 Deep Voice，一个产品级的文本到语音转换（ text-to-speech，TTS）系统。

该系统完全由深度神经网络搭建而成，最大的优势在于能够满足实时转换的要求。在以前，音频合成的速度往往非常慢，需要花费数分钟到数小时不等的时间才能转换几秒的内容，而现在，百度研究院已经能实现实时合成，在同样的 CPU 与 GPU 上，系统比起谷歌 DeepMind 在去年 9 月发布的原始音频波形深度生成模型 WaveNet，要快上400倍。

但在目前，Deep Voice 需要借助一个音素模型与音频合成组件的帮助。百度研发团队希望在未来能够实现真正意义上的端到端（end-to-end）语音合成。

详情：http://research.baidu.com/deep-voice-production-quality-text-speech-system-constructed-entirely-deep-neural-networks/

论文：https://arxiv.org/abs/1702.07825

█ Facebook 发布支持 90 种语言的预训练词向量

还记得 FastText 吗？就是那个 Facebook 为大型数据库文本处理发布的开源工具。今日，FastText 研究团队在 GitHub 发布了他们的最新研究成果——使用维基百科训练，并包括 90 种语言的 300 维词向量；全都使用 FastText 的默认参数进行训练。

FastText 团队表示，希望各路开发者提供使用反馈。另外，一大波新模型即将发布，请关注 AI 研习社的后续报道。

支持语言列表与下载地址：https://github.com/facebookresearch/fastText/blob/master/pretrained-vectors.md

█ 英伟达发布 GTX 1080 TI，性能赶超 Titan X

今日（当地时间 28 日晚），英伟达在 GDC 大会上发布了 GTX 1080 TI。该显卡仍采用帕斯卡 16 nm 制程工艺，热设计功耗 250W，配备 11GB GDDR5X 显存。英伟达表示其性能超过 GTX 1080 约 35%。这使得 GTX 1080 TI 与 Pasal Titan X 的性能不相上下，部分非公版型号甚至可能犹有过之。

另外，GTX 1080 TI 的公版外观与 GTX 1080 一般无二。但英伟达在发布会上宣布，其公版散热得到了改进，包括去掉 DVI 接口以增大显卡出风口面积；使得在同等噪音水平下，相比 1080/1070 上的公版散热，新方案效果提升约 5%。

GTX 1080 Ti 将于下周上市，售价仅为 699 美元（约合人民币4808元），首批只有公版。美国销售的 GTX 1080 已开始降价，据了解，多家零售商降幅达到 100 美元。

虽然 GTX 1080 TI 主打游戏市场，但对于深度学习开发者，只需花费泰坦一半多的价格就能买到相差无几的计算性能，具有非常大的诱惑力。目前国行价格尚未公布，大伙一起期待（土豪继续关注，小编还是回家把玩 1070）。

详情：http://www.leiphone.com/news/201703/dv5c5cO4OvBe7brF.html

每日推荐阅读

█ 高手实战演练，十大机器学习时间序列预测难题

这是我们的老熟人、澳大利亚机器学习专家 Jason Brownlee 最新整理的开发者实操练习。这是十道颇具挑战性的时间序列预测问题。对于这十道难题，经典的线性统计方法不足以进行解决，必须要用到高阶机器学习方法。

这些难题均来自 Kaggle。

如果你想要来点能挑战自己的高难度习题，提高处理时间序列数据集的能力，并演练机器学习技术——这十道题就是给你的。

地址：http://machinelearningmastery.com/challenging-machine-learning-time-series-forecasting-problems/

█ 从零起步，基础机器学习模型和算法的 Python 代码实现

国外机器学习开发者 Erik Linder-Norén，把他创建多种机器学习模型所用的 Python 代码，上传到了 GitHub 与大家分享。一起来看看别人家的模型是什么样的。当然，这些算法真的是从零起步，非常基础，对于新手有最大的参考价值。

Erik Linder-Norén 上传的模型代码包括决策树、逻辑回归、多层感知机、随机森林、支持向量机等。

地址：https://github.com/eriklindernoren/ML-From-Scratch