苹果公司透露 Siri 新发音引擎的内部原理

苹果公司透露了他们通过深度学习让 Siri 的发音更加自然的内幕。

iPhone 用户使用自然语言向 Siri 提问，Siri 也通过语音回答问题。Siri 可以使用 21 种语言回答问题，遍布全球 36 个国家。在 2017 年 WWDC 大会上，苹果宣布了 iOS 11 上的 Siri 将使用最新的文本语音引擎。2017 年 8 月，苹果的机器学习期刊透露了他们是如何让Siri 的发音更加自然的。

iPhone 上的语音是通过拼接预先录制的人类语音来生成的。先录制几个小时的语音，再把它们拆分成单词，然后再把单词拆成最基本的元素：音素。在生成句子的时候，系统会选择合适的音素，再把它们拼接在一起。

为音素选择合适的录音是一件很有挑战性的事情。每一个音素都要与发音相匹配，也要与相邻的其他音素相匹配。旧系统只有几种录音，音素的来源很有限，所以听起来有点不自然。于是苹果决定使用深度学习来确定声音单元在句子中的各种属性。

每一台 iOS 设备都包含了一个小型的预录音素数据库。每一份数据都包含了音频属性：声音频谱的音高和音长。一个经过训练的“深度混合密度网络（deep mixture density network）”用于预测每一个音素在句子中的特征。苹果设计了一个成本函数来训练这个网络，着重考虑到两个方面的问题：如何让音素与发音相匹配以及如何让它与句子相融合。

在通过“Viterbi”算法从数据库里找到需要的数据后，系统会选出最佳的音素组合，把它们拼接起来，然后播放出声音。

另一种方式是生成声波，而不是拼接预录的声音。2016 年 9 月， Alphabets Deepmind 发布了 WaveNet 引擎，可以基于电脑生成文本语音。它的不足是速度很慢，就算使用最快的台式电脑也需要很长时间才能完成合成任务。所以，Siri 不会在短时间使用合成语音代替录制语音。

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