Google Voice AI：人声朗读还是机器发声，你认出来算我输
简评：让我想起「雄兔脚扑朔，雌兔眼迷离，双兔傍地走，安能辨我是雄雌」。文末有个小测试，看看大家能不能听出来哪个是人声，哪个是机器声。反正我听了十多遍吧，没猜出来。
Humans have officially given their voice to machines.
谷歌这个月发变了一篇研究论文[1]，详细的介绍了一个名为「Tacotron 2」的文本 - 语音系统，该系统识别文本并朗读，其声音可以接近人类的发声。
该系统是谷歌官方的第二代技术，它由两个深度神经网络组成。
- 第一个网络将文本翻译成频谱图[2]，用一种可视的方式来表示音频随着时间的推移变化。
- 第二个网络将频谱图输入波形图(WaveNet)[3]，这是一个来 Alphabet 的 AI 深度实验室 DeepMind 的系统，它可以读取图表，并相应地生成相应的音频元素。
下面我们看看 Tacotron 2 的一些朗读案例。
Tacotron 2 在一些超出范围或者复杂的词汇上表现良好(比如 auto-encoder 复合词)：
“Generative adversarial network or variational auto-encoder.”
https://www.zhihu.com/video/929747472973099008“Basilar membrane and otolaryngology are not auto-correlations.”
https://www.zhihu.com/video/929748567392878592Tacotron 2 能够理解语义并调整朗读节奏（注意前两个单词的读音）
“He has read the whole thing.”
https://www.zhihu.com/video/929749050224336896“Don't desert me here in the desert!”
https://www.zhihu.com/video/929749554262294528Tacotron 2 可以自主修正错误的拼写并朗读：
“Thisss isrealy awhsome.”
https://www.zhihu.com/video/929751012097449984因为知乎文章只允许上传 10 个视频，所以我就不把所有的案例都上传了，只写一下文字的描述，有兴趣可以在 Google 的官方页面看到案例：Audio samples from "Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions"
Tacotron 2 还可以：
- 判断标点符号并修改语气
- 判断大写的单词并加重语气
- 当使用反问时，可以改变语气
- 绕口令非常NB
https://www.zhihu.com/video/929757302769065984好的，重头戏来了！下面让我们来判断一下哪个是人读的，哪个是机器读的。
- 1-1 “She earned a doctorate in sociology at Columbia University.”
https://www.zhihu.com/video/929752809834807296- 1-2 “She earned a doctorate in sociology at Columbia University.”
https://www.zhihu.com/video/929753512707973120- 2-1 “George Washington was the first President of the United States.”
https://www.zhihu.com/video/929753765662220288- 2-2 “George Washington was the first President of the United States.”
https://www.zhihu.com/video/929753848873025536注释：
- [1]https://arxiv.org/abs/1712.05884
- [2]http://www.speech.cs.cmu.edu/15-492/slides/03_mfcc.pdf
- [3]Are you sure you're talking to a human? Robots are starting to sounding eerily lifelike
以上。
文章部分文字：Google’s voice-generating AI is now indistinguishable from humans
文章音频出自：Audio samples from "Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions"
园长：在英文朗读这块，Google Voice-Generating AI 做的很不错，不知道中文什么时候能够达到这样的水平。正如文章开头的第一句话，人类已经正式授予机器语言的能力了。
极光日报，极光开发者旗下媒体。
每天导读三篇英文技术文章。
明天见。
