蘋(píng)果公司透露了他們通過(guò)深度學(xué)習(xí)讓Siri的發(fā)音更加自然的內(nèi)幕。

\\

iPhone用戶使用自然語(yǔ)言向Siri提問(wèn)，Siri也通過(guò)語(yǔ)音回答問(wèn)題。Siri可以使用21種語(yǔ)言回答問(wèn)題，遍布全球36個(gè)國(guó)家。在2017年WWDC大會(huì)上，蘋(píng)果宣布了iOS 11上的Siri將使用最新的文本語(yǔ)音引擎。2017年8月，蘋(píng)果的機(jī)器學(xué)習(xí)期刊透露了他們是如何讓Siri的發(fā)音更加自然的。

\\

iPhone上的語(yǔ)音是通過(guò)拼接預(yù)先錄制的人類(lèi)語(yǔ)音來(lái)生成的。先錄制幾個(gè)小時(shí)的語(yǔ)音，再把它們拆分成單詞，然后再把單詞拆成最基本的元素：音素。在生成句子的時(shí)候，系統(tǒng)會(huì)選擇合適的音素，再把它們拼接在一起。

\\

\\

為音素選擇合適的錄音是一件很有挑戰(zhàn)性的事情。每一個(gè)音素都要與發(fā)音相匹配，也要與相鄰的其他音素相匹配。舊系統(tǒng)只有幾種錄音，音素的來(lái)源很有限，所以聽(tīng)起來(lái)有點(diǎn)不自然。于是蘋(píng)果決定使用深度學(xué)習(xí)來(lái)確定聲音單元在句子中的各種屬性。

\\

\\

每一臺(tái)iOS設(shè)備都包含了一個(gè)小型的預(yù)錄音素?cái)?shù)據(jù)庫(kù)。每一份數(shù)據(jù)都包含了音頻屬性：聲音頻譜的音高和音長(zhǎng)。一個(gè)經(jīng)過(guò)訓(xùn)練的“深度混合密度網(wǎng)絡(luò)（deep mixture density network）”用于預(yù)測(cè)每一個(gè)音素在句子中的特征。蘋(píng)果設(shè)計(jì)了一個(gè)成本函數(shù)來(lái)訓(xùn)練這個(gè)網(wǎng)絡(luò)，著重考慮到兩個(gè)方面的問(wèn)題：如何讓音素與發(fā)音相匹配以及如何讓它與句子相融合。

\\

\\

在通過(guò)“Viterbi”算法從數(shù)據(jù)庫(kù)里找到需要的數(shù)據(jù)后，系統(tǒng)會(huì)選出最佳的音素組合，把它們拼接起來(lái)，然后播放出聲音。

\\

\\

另一種方式是生成聲波，而不是拼接預(yù)錄的聲音。2016年9月，Alphabets Deepmind發(fā)布了WaveNet引擎，可以基于電腦生成文本語(yǔ)音。它的不足是速度很慢，就算使用最快的臺(tái)式電腦也需要很長(zhǎng)時(shí)間才能完成合成任務(wù)。所以，Siri不會(huì)在短時(shí)間使用合成語(yǔ)音代替錄制語(yǔ)音。

\\

查看英文原文：Apple Reveals the Inner Workings of Siri's New Intonation

總結(jié)

以上是生活随笔為你收集整理的苹果公司透露Siri新发音引擎的内部原理的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。