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.