谷歌黑科技曝光：其AI语音合成系统几乎与真人声音无法区分

资料图

第一个深度神经网络负责将文本转换成频谱图（以视觉方式呈现音频频率，通常是PDF格式），然后将这个频谱图载入到第二个深度神经网络WaveNet（来自Alphabet的AI研究实验室DeepMind）中，Wavenet读取频谱图并生成相似的音频元素。

语音转文本并不是一种新技术，对于Mac用户来说，它已经存在了相当长的一段时间。然而，谷歌声称其文本转语音技术优于大多数，几乎无法与人类声音区分开来。

对于完全相同的单词，Tacotron 2可以根据语境来发音。它还可以根据标点符号的不同而有所区分，也可以在读到大写单词的时候加重语气。