0
雷鋒網 AI 科技評論按：7 月 30 日，亞馬遜在 AWS Polly 上發布神經文本轉語音系統，同時推出新聞播音員語音風格；并且通過這一工具，亞馬遜與谷歌的 WaveNet、微軟的 Azure Speech Service 語音系統，形成了強有力的競爭。
為了不被谷歌的 WaveNet（通過識別音調模式來模擬語音中的重音和語調等）超越，亞馬遜在 7 月 30 日宣布了在其將文本轉換為語音的云服務 Amazon Polly 中全面提供神經文本到語音和新聞播音員風格的功能。
正如亞馬遜網絡服務技術傳道者 Julien Simon 在一篇博客文章中指出的那樣，通過增加自然性和表現力，神經文本到語音的轉換可以顯著改善語音質量。而加入了新聞播音員的風格，這會使得對于新聞文章和博客帖子這樣的敘事內容聽起來「更加真實」，這是通過神經文本到語音的底層機器學習算法實現的。Simon 說：「多虧了波莉和新聞播音員的風格，聽眾才可以享受使用高質量的聲音所閱讀的文章，這種聲音聽起來就像他們在電視或廣播中聽到的那樣。」
像 Globe and Mail、Gannett、BlueToad、TIM Media、大英百科全書（Encyclopedia Britannica）、非盈利教育技術公司 CommonLit 以及游戲開發商 Volley 等客戶已經在通過 Polly 來使用新聞播音員風格。今年 1 月，亞馬遜將其推出到支持 Alexa 的設備上，用于每日簡報和維基百科片斷解說（https://venturebeat.com/2019/01/16/alexa-newscaster-voice/ ）。
新聞主播風格有兩種可用的英語語音，而神經文本到語音的轉換可適用于 11 種語音，包括三種美國英語語音和八種美國英語語音。兩者都是實時和批處理模式工作，目前它們可以在美國東部（弗吉尼亞北部），美國西部（俄勒岡州）和歐洲（愛爾蘭）AWS 區域訪問。
從第一次語音請求（標準或 NTTS）開始，前 12 個月每月最多 100 萬個字符的神經文本到語音的轉換都是免費的；在此之后用戶將需要進行有償使用。
亞馬遜在去年年底的一篇文章中（https://venturebeat.com/2018/11/19/amazons-neural-tts-can-model-speaking-styles-with-only-a-few-hours-of-recordings/）詳述了其關于神經文本到語音的轉換換方面的研究《數據縮減對序列到序列神經 TTS 的影響》（https://arxiv.org/abs/1811.06315 )。
研究人員在該論文中描述了一個系統，這個系統可以從短短幾個小時的訓練中學會采用一種新的說話方式，而不是像配音演員那樣，可能需要幾十個小時才能以目標風格進行閱讀。
亞馬遜的 AI 模型由兩部分組成。第一種是生成神經網絡，它將一系列音素（感知上不同的聲音單位，可以區分一個詞和另一個詞，如 p a d 和 p a t 中的 p、b、d 和 t）轉換成一系列譜圖序列，或者隨時間變化的聲音頻率譜的視覺表示。第二種是聲碼器，它將這些頻譜圖轉換成連續的音頻信號。
音素-譜圖解釋器網絡是從序列到序列的，這意味著它不會僅僅從相應的輸入計算輸出，而是考慮它在輸出序列中的位置。除了「風格編碼」之外，亞馬遜的科學家還使用音素序列和相應的光譜圖序列對其進行了訓練，該風格編碼確定了訓練示例中使用的特定說話風格。該模型的輸出被輸入到聲碼器中，并且聲碼器無論是否在訓練期間獲得某一揚聲器的數據，都可以從該揚聲器中獲取頻譜圖。
最終，該研究將得到一種 AI 模型訓練方法，這個方法可以將大量的中性風格的語音數據與僅有幾個小時的所需風格的補充數據相結合；以及一個 AI 系統，該 AI 系統能夠區分獨立于講話風格和該風格獨有的語音元素。
亞馬遜 TTS 研究部高級經理 Andrew Breen 在之前的博客文章中寫道：「教 Alexa 根據客戶要求的背景調整她講話風格這一功能，開啟了以前無法想象的、新的、令人愉快的體驗的可能性。」
通過神經文本到語音的轉換和新聞播音員風格，亞馬遜與谷歌在 2 月份推出了一種語音功能（31 種新的 WaveNet 語音和 24 種新的標準語音，其 Cloud Text-to-Speech 服務使 WaveNet 語音的總數達到 57）有了很強勁的競爭；而它的另一個競爭對手是微軟，因為微軟通過 Azure Speech Service API 提供了三個 AI 生成的預覽語音和 75 個標準語音。
原文鏈接：
雷鋒網 AI 科技評論 雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
