谷歌能看懂你的胡言亂語

電影《Her》中，西奧多（Theodore）耳朵里住著一個人工智慧系統薩蔓莎（Samantha），這是蘋果的Siri、亞馬遜的Echo、微軟的小冰和Cortana一直在努力追趕的目標。

目前，在這件事上，谷歌領跑了。

與傳統做法不同，谷歌可以根據你想要的任意一種聲音，即時進行傻瓜式重組——先收集簡單的單詞、短語和音素等素材，再通過複雜精細的軟體運行，就能實現了。

而且，運用現在AI圈最流行的深度學習演算法，整個過程還能全自動化。也就是說，你可以通過這套程序定製化你的語音小助手了。

這就是谷歌Tacotron——一個完全由端到端的文本轉語音合成模型。

Tacotron可以從未聽見過某個詞，卻能彷彿跳舞一般輕鬆掌握複雜的發音，簡直就是語音合成界的歌舞之王弗雷德•阿斯泰爾（Fred Astaire，弗雷德熟悉多種舞蹈動作，無需思考手腳就能運動自如）。

在處理韻律、語義消岐（如：現在時和過去時的「read」發音不同）和類似酒醉后打字的拼寫錯誤（「這真真真的是太太棒了了了」）方面，Tacotron的表現同樣泰然自若，令人稱奇。

谷歌在技術報告中承認，拼接語音合成方面，蘋果Siri其實比Tacotron更自然。但Siri拼接法單調、昂貴，而且用谷歌的話說，Siri涉及「不可靠的設計選擇」。而據熟悉此研究的加州大學聖塔芭芭拉分校自然語言處理專家威廉•王（William Wang）透露，Tacotron正是為了規避這種不可靠性而設計的。王指出，手動編寫一個語音合成器包含「大量非常主觀多變的設計選擇。」

以韻律為例，陳述句

「The quick brown fox jumps over the lazy dog.」

那隻敏捷的棕色狐狸從懶惰的狗身上跳了過去。

和問句

「Does the quick brown fox jump over the lazy dog?」

那隻敏捷的棕色狐狸從懶惰的狗身上跳過去了嗎？

兩句話的自然發音區別歸根結底就是語調的微妙變化。究竟如何將這種變化寫成代碼，編入軟體之中呢？必須有人提前決定——其選擇在某些句子中能夠得出自然的韻律，但同樣的選擇放在其他句子里可能聽起來就有點彆扭了。

我們無法提前預知，也無法解釋發生錯誤的原因，只能在系統多個成分中盡量採用手動編碼。

Tacotron利用深度學習軟體捕獲所有決策過程，並實現其自動化。在自然程度上算不上一流：谷歌自家的技術WaveNet也通過深度學習合成語音，聲稱在質量方面能打敗拼接軟體。但Tacotron的速度勝過WaveNet，原理也更簡單：據王所說，它「使用單一的神經網路結構」處理整個文本到語音的加工過程。因此，在谷歌與日俱增的文本與語音資料庫中，Tacotron更容易訓練。

一如既往，谷歌絕口不談將Tacotron運用到現有產品的任何相關計劃（研究人員沒有回應媒體多次提出的採訪要求，某發言人也拒絕評論）。

但如果將來有一天，酒醉的你發出一條迷糊、語無倫次的消息，就能夠召喚谷歌的自動駕駛汽車，對方還能自然流暢地對話，聽起來絲毫不像機器人，那大概就是Tacotron在發揮作用了。

▼點擊閱讀原文，雜誌買買買不停