Google научила нейросеть говорить с человеческой интонацией

Роботы и компьютеры, «говорящие» человеческим языком, до недавнего времени были фантастикой. Теперь технология преобразование речи используется повсеместно. Единственная проблема — это то, что компьютерная программа не может в точности повторить интонацию человека. Однако компании Google удалось разработать систему преобразования текста в речь, которая полностью имитирует человеческий голос. 

Система получила название Tacotron 2. Это уже второе поколение программы, состоящее из двух нейронных сетей. Первая преобразует текст в спектрограмму (визуальное представление звуковых частот), которая затем передаётся в WaveNet — алгоритм генерации речи. WaveNet считывает визуальные изображения и создаёт соответствующие звуковые элементы. 

Примеры того, как работает система Tacorton 2, выложены на этой странице. Здесь можно прослушать фразу, сказанную программой и человеком. Разницу заметить практически невозможно. При этом Google не уточняет, какая запись была сгенерирована нейросетью. В компании отмечают, что Tacorton 2 отлично справляется с произношением имён, учитывает знаки пунктуации и другие моменты, например, выделяет слова с большой буквы. Но есть и некоторые трудности в произношении сложных слов. Кроме того, разработчики пока не могут заставить систему генерировать речь в реальном времени. 

Tacorton 2, вероятнее всего, станет мощным дополнением к Google Assistant, в котором используется алгоритм WaveNet. Пока программа может говорить только одним женским голосом. Чтобы заставить её подражать другому голосу, придётся заново обучить систему.