這裡是，雷鋒字幕組編譯的Two minutes paper專欄，每週帶大家用碎片時間閱覽前沿技術，瞭解AI領域的最新研究成果。

原標題 NATURAL TTS SYNTHESIS BY CONDITIONING WAVENET ON MEL SPECTROGRAM PREDICTIONS | Two Minute Papers

翻譯 | 張鋒凱 整理 | 凡江 林尤添

在往期的2分鐘論文欄目中，我們有談過Google的WaveNet（一個基於學習型的文字到語音引擎），也就是說，只要我們給予已經訓練好的模型一些朗讀的素材，引擎就會盡可能生成一個較真實的聲音。而在本期視訊中，我們將介紹一個新的產品，它在原有的基礎上進行改進，讓合成語音臻於完美。

圖片來源：WaveNet: A Generative Model for Raw Audio

點開本期視訊後，你會聽到，合成的語音在韻律，重讀，和語調上都非常出色，以至於我們真假難辨。相關的音訊資訊可以在這裡找到：https://google.github.io/tacotron/publications/tacotron2/index.html

在原先Google的WaveNet論文中，我們為了解決語音合成難題，創造了擴張卷積，這個網路結構跳躍性地輸入資料，由此使我們我們有了更好的全域性視野。這有點像增加我們眼睛的感受野，讓我們能夠感受整個景觀，而不是照片中只有樹的狹窄的視角。

新框架利用梅爾聲譜作為WaveNet的輸入，這種聲譜是一種基於人類感知的中間媒介，它不僅記錄了不同的單詞如何發音，而且還記錄了預期的音量和語調。

新模型接受了大約24小時的語音資料訓練，當然，模型都是要經過某種程度的檢驗才合格。

我們對其的檢驗方法是記錄以前演算法的平均意見分（用來描述聲音樣本和人類真實聲音的比分）。我們的新演算法大獲成功，之後通過使用者研究更加接地氣的檢驗，讓使用者進行盲測，猜測聽到的聲音是合成的還是真實的。

的確不可思議，因為大部分的測試結果都是——人們真假莫辨。

請注意，生成這些波形不是實時的，而且還需要很長時間。為了有更好的效率，DeepMind的科學家撰寫了一篇轟動的論文，把WaveNe的波形生成速度提升了上千倍。當然，新發明也會帶來新挑戰——這可能導致錄音更容易被偽造，而錄音將被削弱作為物證的可信性，除非我們找到一種新的檢驗方法，例如在錄音上加入數字簽名。

論文原址 https://arxiv.org/pdf/1712.05884.pdf

備註「我要加入」，To be a AI Volunteer ！