Deepmind语音生成模型WaveNet正式商用:效率提高1000倍_最新动态_新闻资讯_程序员俱乐部

中国优秀的程序员网站程序员频道CXYCLUB技术地图
热搜:
更多>>
 
您所在的位置: 程序员俱乐部 > 新闻资讯 > 最新动态 > Deepmind语音生成模型WaveNet正式商用:效率提高1000倍

Deepmind语音生成模型WaveNet正式商用:效率提高1000倍

 2017/10/5 20:43:06    程序员俱乐部  我要评论(0)
  • 摘要:2017年10月4日,Deepmind发表博客称,其一年前提出的生成原始音频波形的深层神经网络模型WaveNet已正式商用于GoogleAssistant中,该模型比起一年前的原始模型效率提高1000倍,且能比目前的方案更好地模拟自然语音。以下为Deepmind博客所宣布的详细信息,雷锋网摘编如下一年之前,我们提出了一种用于生成原始音频波形的深层神经网络模型WaveNet,可以产生比目前技术更好和更逼真的语音。当时,这个模型是一个原型,如果用在消费级产品中的计算量就太大了。在过去12个月中
  • 标签:net 效率
class="topic_img" alt=""/>

  2017 年 10 月 4 日,Deepmind 发表博客称,其一年前提出的生成原始音频波形的深层神经网络模型 WaveNet 已正式商用于 Google Assistant 中,该模型比起一年前的原始模型效率提高 1000 倍,且能比目前的方案更好地模拟自然语音。

  以下为 Deepmind 博客所宣布的详细信息,雷锋网摘编如下

  一年之前,我们提出了一种用于生成原始音频波形的深层神经网络模型 WaveNet,可以产生比目前技术更好和更逼真的语音。当时,这个模型是一个原型,如果用在消费级产品中的计算量就太大了。

  在过去 12 个月中,我们一直在努力大幅度提高这一模型的速度和质量,而今天,我们自豪地宣布,WaveNet 的更新版本已被集成到 Google Assistant 中,用于生成各平台上的所有英语和日语语音。

  新的 WaveNet 模型可以为 Google Assistant 提供一系列更自然的声音。

  为了理解 WaveNet 如何提升语音生成,我们需要先了解当前文本到语音(Text-to-Speech,

  TTS)或语音合成系统的工作原理。

  目前的主流做法是基于所谓的拼接 TTS,它使用由单个配音演员的高质量录音大数据库,通常有数个小时的数据。这些录音被分割成小块,然后可以将其进行组合以形成完整的话语。然而,这一做法可能导致声音在连接时不自然,并且也难以修改,因为每当需要一整套的改变(例如新的情绪或语调)时需要用到全新的数据库。

  另一方案是使用参数 TTS,该方案不需要利用诸如语法、嘴型移动的规则和参数来指导计算机生成语音并进行语音拼接。这种方法即便宜又快捷,但这种方法生成的语音不是那么自然。

  WaveNet 采取完全不同的方法。在原始论文中,我们描述了一个深层的生成模型,可以以每秒处理 16000 个样本、每次处理一个样本党的方式构建单个波形,实现各个声音之间的无缝转换。

Deepmind 语音生成模型 WaveNet 正式商用:效率提高 1000 倍

  WaveNet 使用卷积神经网络构建,在大量语音样本数据集上进行了训练。在训练阶段,网络确定了语音的底层结构,比如哪些音调相互依存,什么样的波形是真实的以及哪些波形是不自然的。训练好的网络每次合成一个样本,每个生成的样本都考虑前一个样本的属性,所产生的声音包含自然语调和如嘴唇形态等参数。它的“口音”取决于它接受训练时的声音口音,而且可以从混合数据集中创建任何独特声音。与 TTS 系统一样,WaveNet 使用文本输入来告诉它应该产生哪些字以响应查询。

  原始模型以建立高保真声音为目的,需要大量的计算。这意味着 WaveNet 在理论上可以做到完美模拟,但难以用于现实商用。在过去 12 个月里,我们团队一直在努力开发一种能够更快地生成声波的新模型。该模型适合大规模部署,并且是第一个在 Google 最新的 TPU 云基础设施上应用的产品。

Deepmind 语音生成模型 WaveNet 正式商用:效率提高 1000 倍

(新的模型一秒钟能生成 20 秒的音频信号,比原始方法快 1000 倍)

  WaveNet 团队目前正在准备一份能详细介绍新模型背后研究的论文,但我们认为,结果自己会说话。改进版的 WaveNet 模型仍然生成原始波形,但速度比原始模型快 1000 倍,每创建一秒钟的语音只需要 50 毫秒。该模型不仅仅速度更快,而且保真度更高,每秒可以产生 24,000 个采样波形,同时我们还将每个样本的分辨率从 8bit 增加到 16bit,与光盘中使用的分辨率相同。

  这些改进使得新模型在人类听众的测试中显得发声更为自然。新的模型生成的第一组美式英语语音得到的平均意见得分(MOS)为 4.347(满分 5 分),而真实人类语音的评分只有 4.667。

Deepmind 语音生成模型 WaveNet 正式商用:效率提高 1000 倍

  新模式还保留了原始 WaveNet 的灵活性,使我们能够在训练阶段更好地利用大量数据。具体来说,我们可以使用来自多个语音的数据来训练网络。这可以用于生成高质量和具有细节层次的声音,即使在所需输出语音中几乎没有训练数据可用。

  我们相信对于 WaveNet 来说这只是个开始。我们为所有世界语言的语音界面所能展开的无限可能而兴奋不已。

  Via Deepmind

发表评论
用户名: 匿名