百度发布升级版 Deep Voice 2，神经网络实时生成

百度发布升级版 Deep Voice 2，神经网络实时生成

新智慧报告

百度在其官博上介绍了Deep Voice 2的升级版：

今年2月，百度硅谷AI实验室发布了Deep Voice 1，这是一个完全利用深度神经网络生成人类语音的系统。 与其他使用神经网络的文本转语音（TTS）系统不同，Deep Voice 1 是实时运行的，并且在需要播放语音时可以非常快速地合成音频，因此它适用于媒体或会话界面。 课堂互动应用程序。 通过训练可以从大量数据和简单特征中学习的深度神经网络，我们创建了一个非常灵活且高质量的实时语音合成系统。

今天，我们很高兴地宣布 Deep Voice 2，这是 Deep Voice 系统的第二代版本。 在短短三个月的时间里，我们把第一代系统从只能生成20小时语音、只有一个声音的系统，扩展到了可以生成数百小时语音、可以有数百种声音的系统。 Deep Voice 2 能够学习数百种声音并完美模仿它们。 此类传统系统需要同一说话人进行数十小时的语音训练，而 Deep Voice 2 则可以通过每个说话人不到半小时的语音数据来学习数百种语音模式。 独特的声音和高品质。

Deep Voice 2 通过寻找不同声音之间的共同特征来学习语音。 具体来说，每个声音对应一个向量，大约有 50 个数字，总结了如何模仿目标声音来生成语音。 与之前的 TTS 系统不同，Deep Voice 2 从头开始​​学习这些功能，并且不需要任何有关这些声音之间差异的指导。

音频片段收听地址：

论文：Deep Voice 2：多文本转文本

有关 Deep Voice 2 的更多信息，请阅读我们的论文。