O Google anunciou seu novo sistema Tacotron 2, que traduz texto em
fala e reivindica precisão quase humana ao imitar o áudio de uma pessoa.
O sistema é a segunda geração da tecnologia, que consiste em duas redes neurais profundas.
A primeira traduz o texto em um espectrograma (pdf), uma maneira visual de representar frequências de áudio ao longo do tempo. Esse espectrograma é então alimentado no WaveNet, um sistema do laboratório de pesquisa de inteligência artificial (IA) da Alphabet, DeepMind, que lê o gráfico e gera os elementos de áudio correspondentes em conformidade.
Essa tecnologia é imediatamente útil para o Google. O WaveNet, anunciado pela primeira vez em 2016, já é usado para gerar voz no Google Assistant. Quando pronto, o Tacotron 2 poderia ser uma adição ainda mais poderosa ao serviço.
Por enquanto, o sistema só é treinado para imitar uma única voz feminina
O sistema é a segunda geração da tecnologia, que consiste em duas redes neurais profundas.
A primeira traduz o texto em um espectrograma (pdf), uma maneira visual de representar frequências de áudio ao longo do tempo. Esse espectrograma é então alimentado no WaveNet, um sistema do laboratório de pesquisa de inteligência artificial (IA) da Alphabet, DeepMind, que lê o gráfico e gera os elementos de áudio correspondentes em conformidade.
Vantagens
Os pesquisadores também demonstraram que o Tacotron 2 pode lidar com palavras e nomes difíceis de pronunciar, além de alterar a forma como enuncia com base na pontuação.Essa tecnologia é imediatamente útil para o Google. O WaveNet, anunciado pela primeira vez em 2016, já é usado para gerar voz no Google Assistant. Quando pronto, o Tacotron 2 poderia ser uma adição ainda mais poderosa ao serviço.
Por enquanto, o sistema só é treinado para imitar uma única voz feminina