Інженери Google створили синтезатор мовлення, що схожий на голос людини

Google розробила просунутий синтезатор мовлення - Tacotron 2, який заснований на нейромережі.

Система перетворення тексту на природні звуки мовлення справляється з цим завданням ефективніше за своїх попередників Tacotron і WaveNet, пише "Новое время", посилаючись на TechCrunch.

Попередні системи генерації мовлення мали низку суттєвих недоліків. WaveNet, наприклад, видавала дуже різкі звуки. Tacotron краще справлявся з інтонаціями, але не міг видавати повноцінний "мовленнєвий продукт".

Алгоритм Tacotron 2, який представлений командою розробників Google за участю Джонатана Шена, працює на основі двох нейронних мереж. Друкована версія конвертується в спеціальну Tacotron-спектрограму, в якій розподіляються ритм і наголоси, а слова генеруються в аналозі WaveNet. Крім того, додана система збору даних для навчання нейромережі.

Аудіозапис дійсно схожий на вимову живої людини. Темп мовлення звучить вельми переконливо, а основні запинки відбуваються на словах з незвичайною вимовою. Щоправда, частина слухачів в коментарях стверджує, що деякі слова система вимовляє "ламано".

Зразки роботи Tacorton 2 можна прослухати на офіційному сайті Google. Ця технологія, швидше за все, відразу почне використовуватися в продуктах компанії.

Однією з основних проблем нового алгоритму є відсутність регулювання тону мовлення. Не можна передбачити, яка фраза буде виголошена піднесено, а яка - грубо.