写点什么

谷歌 Text-to-Speech 普遍可用,同时发布 Speech-to-Text 更新

  • 2018-09-09
  • 本文字数:1914 字

    阅读完需:约 6 分钟

谷歌宣布了 Cloud Text-to-Speech 普遍可用,允许开发人员在设备或应用程序中添加自然发声的语音。此外,谷歌还发布了 Cloud Speech-to-Text 的一组更新,增加了更多功能和增强的可用性和可靠性。

Cloud Text-to-Speech 最早于今年 3 月发布,之后客户要求为 WaveNet 语音提供更多语言支持——这是一种通过模仿人类声音让语音听起来更自然的技术。谷歌预计将增加 17 种新的 WaveNet 语音,让用户可以使用更多语言构建应用程序。目前,Cloud Text-to-Speech 支持 14 种语言和变体,共有 56 种语音,包括 30 种标准语音和 26 种 WaveNet 语音。

谷歌 Cloud Text-to-Speech 利用了多种技术,包括 WaveNet——一种用于生成原始音频波形的深度神经网络,能够生成更好听、更逼真的语音。此外,谷歌还提供与 Text-to-Speech 转换相配套的音频配置文件(测试版),让用户能够针对不同类型硬件的回放进行优化。谷歌在发布公告中表示:

你现在可以指定音频是通过电话线、耳机还是扬声器进行播放,我们将为回放提供音频优化。例如,如果你的应用程序产生的音频主要通过耳机收听,就可以通过专为耳机优化的 Cloud Text-to-Speech API 创建合成语音。

来源: https://cloud.google.com/blog/products/ai-machine-learning/announcing-updates-to-cloud-speech-to-text-and-general-availability-of-cloud-text-to-speech  

在 7 月份的 Google Cloud Next 大会上,谷歌发布了 Cloud Speech-to-Text 的新功能,现在可以在测试服务中使用这些功能。开发人员可以通过语言自动检测使用多种语言,通过说话者分类(diarization)和多通道识别分离不同的说话者,以及更高的词级置信度来构建应用程序。

谷歌 Text-to-Speech 主要是一种转录服务,通过解析声音来记录人类所说的内容。此外,这项服务可以正确地在文本输出中添加逗号和句点等标点符号。现在,谷歌将通过新的多声道识别功能进一步发展该服务,用于转录来自多个发言者的音频,包括使用 Cloud Natural Language 进行情感分析。当无法通过通道分离音频样本时,开发人员可以使用说话者分类的功能,输入说话者数量作为 API 参数——并且通过机器学习,如发布公告所述:

Cloud Speech-to-Text 将使用说话者数量来标记每个单词。随着接受到越来越多的数据,附加到每个单词的说话者标签不断被更新,Cloud Speech-to-Text 在识别说话者以及他们的讲话内容方面将会变得越来越准确。

来源: https://cloud.google.com/blog/products/ai-machine-learning/announcing-updates-to-cloud-speech-to-text-and-general-availability-of-cloud-text-to-speech  

除了说话者分类和多声道识别功能外,Cloud Speech-to-Text 还可以接受多种语言并进行自动检测。开发人员可以使用该功能的语音和命令功能,在每个查询中将最多四个语言代码发送到 Cloud Speech-to-Text。随后,API 将自动确定目标语言,并返回目标语言的转录文本。另一个功能是单词级置信度分数,开发人员可以突出显示特定单词,然后在必要的时候根据置信度分数向用户显示并让用户重复这些单词。

谷歌 Text-to-Speech 服务并不是公共云中唯一可用的服务,亚马逊在 AWS 上提供了 Polly ,可以列出 54 种可用语音,而微软也提供了他们的 Text to Speech 服务预览版,提供 45 种语言的 75 种语音。此外,与谷歌 Speech-to-Text 将与 AWS 的 Amazon Transcribe 展开竞争,这是一项功能丰富且通用的服务。而微软的 Speech to Text 服务也仍然只提供了预览版。除了它们之间的竞争,这些服务的用户也表现出了一些喜好,并对它们展开了讨论。在 Hacker News 的一个有关谷歌文本和语音服务的帖子中,一位用户表示:

几乎所有主要的云服务提供商都以一定的价格提供文本转语音服务,那为什么还要构建自己的系统呢,除非云服务提供商的定价占了总成本很大的比例。为什么不继续使用谷歌的这项服务?我们可以等到谷歌把价格提高了再决定后续该怎么做。毕竟,它只是一个 API 调用而已。

Mike Wheatley 最近在 Silicon Angle 的一篇文章中称,谷歌将通过云端文本转语音服务瞄准三个主要市场:

1. 呼叫中心的语音响应系统,Cloud Text-to-Speech 可以为之提供实时的自然语言对话。

2. 物联网领域,特别是汽车信息娱乐系统、电视和机器人等产品,让这些类型的设备能够与 3. 用户交流。播客和有声读物等应用程序,可将文本转换为语音。

开发人员可以尝试使用 Speech-to-Text 和 Cloud Text-to-Speech 服务。有关 Speech-to-Text 服务的定价信息,请参阅定价页面。Text-to-Speech 服务的定价细节也可在相应的定价页面上找到。

查看英文原文 Google Announces General Availability of Cloud Text-to-Speech and Updates to Cloud Speech-to-Text

2018-09-09 19:004437
用户头像

发布了 731 篇内容, 共 474.4 次阅读, 收获喜欢 2008 次。

关注

评论

发布
暂无评论
发现更多内容

Lucene环境下基于NGram分词的中文高级检索

alexgaoyh

中文分词 lucene 高级检索 ngram 知网高级检索

支付系统概述(十一):运营能力

agnostic

支付系统设计与实现

在线白板Miro最佳替代品!一文说清两款软件的差异!

彭宏豪95

在线白板 办公软件 在线协同 在线协作 boardmix

释放Stable Diffusion 无限可能

亚马逊云科技 (Amazon Web Services)

Amazon Lambda Amazon S3 Glacier

总结反思 持续进步-开源即时通讯(IM)项目OpenIM 新版本release-v3.7发布

Geek_1ef48b

鸿蒙HarmonyOS实战-ArkUI组件(页面路由)

蜀道山

鸿蒙 架构 前端 HarmonyOS 鸿蒙系统

以太网口硬件知识分享

芯动大师

Mac 以太网 PHY

Adobe Photoshop动作导入方法详解,PS动作安装教程

Rose

ps动作

基于rrweb框架,搭建前端技术运营监控体系的实践分享

智在碧得

框架设计 rrweb框架 rrweb 前端框架设计 技术监控

EasyExcel导出-自适应图像尺寸

alexgaoyh

EasyExcel 自适应 图像 等比缩放 导出

算子开发到推理加速,一位00后开发者的“升级打怪”之旅

Alter

开发者 昇腾AI大赛 #大模型

鸿蒙HarmonyOS实战-ArkUI组件(Menu)

蜀道山

鸿蒙 前端 HarmonyOS 鸿蒙卡片 menu

Linux设备驱动系列(五)——字符驱动设备文件

Linux内核拾遗

Linux内核 设备驱动

LED显示屏与LCD显示屏的9个区别

Dylan

LED显示屏 全彩LED显示屏 led显示屏厂家 lcd

Penpad 再获 Animoca Brands 投资,全新生态历程

加密眼界

长期看好Celestia,质押TIA教程分享,以bitget为例

股市老人

和鲸科技出席第五届空间数据智能学术会议,执行总裁殷自强受邀发表主题报告

ModelWhale

人工智能 数据模型 空间数据

谷歌Text-to-Speech普遍可用,同时发布Speech-to-Text更新_DevOps & 平台工程_Steef-Jan Wiggers_InfoQ精选文章