亚马逊已经建立了一个人工智能系统可以训练机器人像新闻阅读器一样说话

Amazon.com Inc.提出了一个新的人工智能系统，该系统可以训练Alexa等数字语音助手来学习新的讲话方式，例如类似于新闻阅读器，只需几个小时。

亚马逊应用科学经理特雷弗·伍德(Trevor Wood)在今天的博客文章中说，新的文本语音转换系统可以代替传统的语音训练方法，后者通常要求演员以目标风格说话数十小时才能训练模型。

“对于用户来说，由神经网络产生的合成语音听起来比通过级联方法产生的语音自然得多，级联方法将存储在音频数据库中的简短语音片段串在一起，”伍德写道。“随着[我们的系统]提供的更高的灵活性，我们可以轻松地改变合成语音的说话方式。”

亚马逊将其新模式称为“神经文本语音转换”或NTTS，称其有两个关键组成部分。一个是“生成神经网络”，其工作原理是将音素序列转换成声谱图序列，这些音素序列是将一个单词与另一个单词区分开的独特声音单元。由于它们随时间变化，因此它们又是这些声音的频谱的视觉表示。伍德说，声谱图“强调人脑在处理语音时所使用的功能”。

另一个组件称为“声码器”，它有助于将这些频谱图转换为用于训练文本到语音模型的连续音频信号。

Wood的博客文章中详细介绍了复杂的技术过程，但最重要的是，它似乎运行良好。新的训练方法可以将神经文本语音转换语音数据与几个小时的补充数据结合起来，以产生一个模型，该模型可以区分特定于特定说话风格的独特语音元素。

伍德写道：“当在操作过程中以口语风格的代码呈现时，网络会预测适合该风格的韵律模式，并将其应用于单独生成的，与风格无关的表示形式。” “通过较少的额外培训数据即可获得高质量，从而可以快速扩展说话风格。”

伍德说：“偏爱中性风格的NTTS反映了由于神经生成方法而引起的普遍语音合成质量的广泛报道。” “ NTTS新闻播音员语音的进一步改进反映了我们系统捕获与文本相关的样式的能力。”

亚马逊已经发布了一系列有关其研究的白皮书，可在此处，此处和此处找到。