В Google создали самый совершенный алгоритм синтеза речи

Группа разработчиков из компании Google представила систему синтеза речи, которая способна преобразовывать текст в речь, максимально приближенную к человеческой. Описание алгоритма, получившего название Tacotron 2, доступно на сайте ArXiv.org, а примеры его работы можно найти на сайте компании.

Как пишет N+1, Google уже давно ведет разработки в области синтеза речи. Новый алгоритм работает на основе двух нейронных сетей. Первая нейросеть разбивает текст на отдельные токены (буквы, паузы и знаки препинания) и визуализирует их в виде спектрограмм, а вторая синтезирует на основе этих спектрограмм аудио, используя алгоритмы WaveNet, которые учитывают различные языковые параметры, включая длину слов в тексте и их слогов.

По словам создателей, Tacotron 2 заметно превосходит существующие аналоги. Так, алгоритм способен определять омонимы, исходя из контекста, делать паузы на месте знаков препинания или акценты на словах, написанных заглавными буквами. В итоге синтезированная речь практически не отличается от настоящей.

Чтобы оценить качество синтезируемой речи, создатели алгоритма пригласили восьмерых добровольцев и попросили их прослушать оригинальные записи речи и их синтезированные варианты, оценив образцы по шкале от одного до пяти баллов, где пять означает, что запись максимально похожа на человеческую речь. В итоге средний балл, полученный образцами работы Tacotron 2, составил 4,53, а записи настоящей речи получили 4,58 балла.

Как полагают разработчики Tacotron 2, алгоритм может быть использован для улучшения работы голосовых помощников, которые получают все более широкое распространение.

facebook
LJ

ССЫЛКИ ПО ТЕМЕ