Google Tacotron 2: революция в синтезе речи с помощью ИИ
Последнее новшество от Google, Tacotron 2, знаменует собой значительный скачок в генерации искусственной речи. Эта система производит поразительно естественно звучащую речь из текста, в отличие от предыдущих методов, требуя значительно меньшего количества лингвистических данных для обучения. Tacotron 2 искусно сочетает в себе сильные стороны двух более ранних проектов Google: WaveNet и оригинального Tacotron. WaveNet превосходно генерировал высококачественное аудио, но требовал обширных лингвистических данных. Tacotron сосредоточился на высокоуровневых характеристиках речи, таких как интонация и просодия, но не смог создать конечный, отполированный аудиопродукт.
Tacotron 2 использует оба подхода, используя текст и его повествование для вывода лингвистических правил и создания удивительно естественно звучащего аудио. Хотя качество аудио впечатляет в большинстве случаев, проблемы остаются. Система иногда испытывает трудности с произношением некоторых слов, особенно слов неанглийского происхождения, и не имеет контроля над общим тоном речи. Однако сниженные потребности в данных для обучения являются крупным прорывом, позволяющим создавать лучшие системы и более легко интегрировать новые подходы без обширной ручной корректировки правил или необходимости новых наборов правил для различных языков и стилей речи. Исследование было представлено на Международной конференции IEEE по акустике, речи и обработке сигналов и доступно на arXiv.
