人工智能在語音系統中起到了很大的作用。據報道，谷歌推出來一款文字轉語音系統，具有極高的發音準確性，并且合成語音與真人聲音難以區分。

據國外媒體報道稱，如果按照最新的標準來看，人類似乎已經將自己的“聲帶”正式獻給了人工智能。這可并不是筆者在這兒危言聳聽，而是谷歌本月開創性地推出了一款名為“Tacotron 2”的全新文字轉語音系統，它具有驚人的發音準確性，且實際文本閱讀效果幾乎同真人聲音無法區分。

?

消息稱，“Tacotron 2”其實已經是谷歌的第二代類似技術，它由兩個深度神經網絡組成。其中一個負責將文本轉換為可視化的圖譜（通常是PDF格式），然后再將這個生成的這個可視化圖譜載入第二個深度神經網絡WaveNet（這個神經網絡是從DeepMind實驗室孵化而來），并將其還原為一個真實的聲音。

目前，該系統只進行了英語女聲的訓練（如要需要它發出男性聲音的話，谷歌則需要對其進行重新“培訓”）。谷歌的研究人員表示，“Tacotron 2”完全可以準確發音一些非常復雜的單詞和人名，并根據標點符號的不同而有所區分，甚至能夠完美地講完一段繞口令。舉例來說，“Tacotron2”會默認在讀到大寫單詞的時候加重語氣，也能夠處理少量的人為打字錯誤。

同谷歌正在研發的其他核心AI技術不同，“Tacotron 2”不僅僅是某種一直停留在實驗室階段的技術，而是將對公司其他產品起到立竿見影的作用。舉例來說，谷歌實際上已經將深度神經網絡WaveNet用于在GoogleAssistant中生成更為真實的語音反饋。而一旦這一產品在未來迎來進一步完善后，它顯然會對提升谷歌其他產品的用戶體驗提供更大幫助。

需要指出的是，所謂“語音合成技術”又稱文本轉語音（TTS）是如今很多移動產品和應用上不可或缺的技術模塊，例如語音交互應用、導航、語音控制以及為視力障礙者設計的產品中都需要語音合成技術的支持。在此之前很長一段時間內，語音合成技術都是采用拼接方式，需要記錄大量語料才能進行語音合成。這樣的方法不僅前期需要處理大量數據，而且一旦說話人有所改變就需要重新記錄和處理，所以業界一直在尋找可以實時生成語音的方式。

對此，谷歌旗下DeepMind實驗室在2016年就推出了WaveNet深度神經網絡，該網絡在經過真實語音訓練后可以根據文本直接生成音頻。在過去12個月中，DeepMind一直在努力大幅度提高模型的速度和質量，用于“生成能夠產生比現有技術更好、更逼真的，語音原始音頻波形”。