Tacotron 2
گوگل با معرفی Tacotron 2، پیشرفت قابل توجهی در حوزه تولید صدای مصنوعی ایجاد کرده است. این سیستم جدید، قادر به تولید صدای بسیار طبیعی از متن است و برخلاف روش‌های قبلی، نیاز به دانش زبانی گسترده ندارد. Tacotron 2 با ترکیب دو فناوری پیشین گوگل، یعنی WaveNet و Tacotron، عملکردی بسیار بهبود یافته ارائه می‌دهد. WaveNet در تولید صدای با کیفیت بالا عملکرد خوبی داشت اما به داده‌های زبانی زیادی نیاز داشت. Tacotron بر روی ویژگی‌های سطح بالای گفتار مانند لحن و آهنگ تمرکز داشت اما برای تولید صدای نهایی مناسب نبود.
Tacotron 2 با استفاده از متن و روایت آن، قوانین زبانی را محاسبه می‌کند و به این ترتیب، صدایی طبیعی و با کیفیت تولید می‌کند. اگرچه کیفیت صدا در بیشتر موارد بسیار بالا است، اما هنوز در تلفظ برخی کلمات، به خصوص کلمات غیر انگلیسی، دچار مشکلاتی می‌شود و کنترل لحن صدا نیز امکان‌پذیر نیست. کاهش نیاز به آموزش گسترده سیستم، امکان آموزش و توسعه سیستم‌های بهتر و ادغام رویکردهای جدید را بدون نیاز به اصلاح دستی پیچیده قوانین یا جستجوی قوانین جدید برای زبان‌ها و سبک‌های گفتاری مختلف فراهم می‌کند. محققان، نتایج تحقیقات خود را برای ارزیابی در کنفرانس بین‌المللی IEEE در مورد آکوستیک، گفتار و پردازش سیگنال ارائه داده‌اند. شما می‌توانید مقاله کامل را در arXiv مطالعه کنید.
