3 月 27 日，Google 宣布推出一款新的 AI 語音 TTS 服務，作為其機器學習云工具套件的一部分。這項服務被命名為「Cloud Text-to-Speech」，任何開發者或者企業可購買服務。

Google 表示，這項新服務可提供 12 種語言、32 種不同版本的語音選擇，并支持多種音頻格式，包括 MP3 和 WAV。此外，開發人員還可以根據需求，自定義音調、語速和音量增益等要素。

基于 WaveNet 神經網絡，與自然人聲交互相似度高達 70%

有趣的是，Cloud Text-to-Speech 中包含許多使用 WaveNet 構建的高保真聲音。WaveNets 是由 Google 旗下子公司 DeepMind 實驗室研發的一種卷積神經網絡，基于 WaveNets 神經網絡，能使得機器模擬生成的語音更為自然，與人類聲音之間的相似度能提高到 70% 以上。

在 2016 年末，DeepMind 推出 WaveNet 的第一個版本，當時在實驗室環境之外的應用效果還十分生硬，在此之后的一年半里 ，Google Speech 團隊一直在大力投資，并與 DeepMind 緊密合作來將 WaveNet 模型產品化。

去年 10 月，WaveNet 首次被整合到 Google Assistant 中（盡管只有英語和日文兩個版本），其自然環境下合成的語音效果已經有了巨大的改善，現在則可以應用于 Cloud Text-to-Speech 中。

最新版本 WaveNet 模型運行于 Google 云端 TPU 基礎架構之上，生成的原始波形比原始版本快 1000 倍，并且可實現在 50ms 內生成 1s 的語音內容。

「WaveNet 具備一個巨大的人類語音數據庫，WaveNet 能將采樣速率從 8 位提高到 16 位，能在 1s 時間內創建出 24000 個樣本波形，高度再現出包括唇音、喉音在內的聲音細節，以達到更加人性化的高保真人聲效果。」Google Cloud AI 的產品經理 Dan Aharon 在博客中寫到。

開發者可應用于電視、汽車、機器人等 IoT 設備，對 Google 意義重大

據 Dan Aharon 介紹，開發者可以通過多種方式應用 Cloud Text-to-Speech，例如：

• 嵌入智能電視、汽車、機器人、智能音箱地等 IoT 設備；
  
• 打造自然人聲對話系統，為公司提供語音服務系統（IVR）；
  
• 將基于文本的內容資源（如新聞、書籍）轉換為語音格式（例如電臺廣播或有聲讀物）；

據外媒評論，這一動作無疑對于 Google 是意義重大的，具體原因體現在以下兩個方面：

首先，自 Google 于 2014 年收購 DeepMind 起，就一直在嘗試如何將 Deepmind 的 AI 技術轉化為可落地商業化的產品。到目前為止 ，DeepMind 的算法已經被應用在 Google 數據中心，并能夠為之減少 40% 的演算成本；此外 Deepmind 的 AI 技術還被應用在了健康領域。更重要的是，此次直接將 WaveNet 整合進 Google 的云業務中，將賦予 Google Cloud 以 AI 為其獨特要素，并依此贏得亞馬遜與微軟的云業務。

其次，Deepmind 的 AI 語音 TTS 技術已經是目前業內技術最為先進、商用最為成熟的技術之一。大多數語音合成器（包括蘋果的 Siri），都是使用所謂的拼接式合成，程序會以單個音節的形式進行處理存儲，例如「ba」「sht」「oo」，然后將它們按照特定的語法拼接起來形成單詞與句子。盡管這種方法的應用已經相當成熟，但在聽覺體驗上依然不夠自然。

相比之下，Cloud Text-to-Speech 被認為是世界范圍內最優秀的 TTS 系統，其提供的基于 WaveNet 卷積網絡模型合成的人聲，比標準（非 WaveNet）聲音的 MOS 好 20％ 以上，與人類聲音的相似度超過 70 ％，在世界范圍內被認為是最優秀的 TTS 系統。

目前 Cloud Text-to-Speech 已經向個人開發者及企業開放，詳細的操作指南及定價均已在 Google Cloud 官方博客開放。（作者：談哲@深圳灣）