谷歌文本转语音系统更新 可选择学习模型

据外媒报道，近日，谷歌更新了其云端文本转语音（Cloud Text-to-Speech）API。

此次更新，谷歌主要为其添加了两个新功能，一是现在允许开发者在四个机器学习模型当中自主选择，如语音命令、短语查询等；二是谷歌为其添加了标点符号模型。 新的API可显著提高语音识别能力，并且，其在所有的谷歌测试中，能够减少54%的单词错误。云文本到语音的服务是谷歌推出的一款AI语音合成器，它提供了与谷歌助手同样的语音合成服务。该服务采用了DeepMind的WaveNet技术，它可以被用于生成非常自然的声音。

Cloud Text-to-Speech服务是谷歌公司推出的一项AI服务，可以用来合成人声。Cloud Text-to-Speech服务支持12种语言，并可转换32种声音。即使是复杂的文本内容，例如姓名、日期、时间、地址等，Cloud Text-to-Speech也可以立刻发出准确且道地的发音，用户可以自己调整音调、语速和音量，还支持包含MP3和WAV等多种音频格式等。美商思科(Cisco)和电信商Dolphin ONE，成为前期用户。

这服务三大商业应用。第一，是最重要、最具有前瞻性的应用：与电视、汽车与机器等物联网设备对话沟通。第二为电话语音服务(Interactive Voice Response,IVR)中心提供语音回应系统，并激活即时自然语言对话功能。第三将文本格式的新闻文章、书籍等媒体内容，转为Podcast或有声书等口语形式。

Cloud Text-to-Speech服务，是以DeepMind团队的WaveNet为基础。 WaveNet是一种原始音频生成模型，运用WaveNet可以把一系列高保真度的声音转化为语音，2016年DeepMind团队推出了第一版的WaveNet，最近团队又推出升级版WaveNet，较第一版本模型所生成的原始音频波形快了1000倍，只需50毫秒即可生成一秒钟的语音消息，大幅缩短系统文本转语音的时间， 更接近和真人对话。

不过，文本转语音API仅是Google众多云计算机器学习服务之一，Google还提供多样的预先训练好的机器学习训练模型，如图片识别API（Vision API）、翻译API（Translation API）、语音识别API （Cloud Speech API）与自然语言API（Natural Language API）等。其中图片识别API相当受欢迎，如韩国在线购物中心Tmon运用图片识别API，过滤电子商务网站上的图片。

不过，这些云计算人工智能API服务，虽然非常容易使用，操作门槛不高，但定制化程度相当有限，因此Google还提供可以高度定制化，建构于TensorFlow的基础上的Google云计算机器学习服务( Google Cloud Machine Learning)或称为Cloud ML Engine，让备有AI人才的企业可以专注于开发最佳的机器学习模型。