限时领|《AI 百问百答》专栏课+实体书(包邮)! 了解详情
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 19:004302
用户头像

发布了 731 篇内容, 共 469.5 次阅读, 收获喜欢 2007 次。

关注

评论

发布
暂无评论
发现更多内容

数据中心进化论:华为带来的三个路标与新可能

脑极体

Windows编译环境介绍

Loken

音视频 5月月更

使用 Provider 搞定 Flutter 的局部刷新

岛上码农

flutter ios 前端 安卓开发 5月月更

Vue团队核心成员开发的39行小工具 install-pkg 安装包,值得一学

若川

JavaScript 源码 前端 前端开发 Node

一键式打造DAO,M-DAO或成Web3新宠儿

BlockChain先知

朱啸虎称赞的Web3,进入MOVE PROTOCOL将直达

股市老人

LabVIEW控制Arduino流水灯(基础篇—3)

不脱发的程序猿

单片机 LabVIEW Arduino LIAT 流水灯

Java【开发入门学习】笔记一

恒山其若陋兮

5月月更

一键式打造DAO,M-DAO或成Web3新宠儿

股市老人

LabVIEW控制Arduino采集电位器电压(基础篇—4)

不脱发的程序猿

单片机 LabVIEW LIAT Arduino Uno 采集电位器电压

电子邮件的传送过程

工程师日月

TCP 5月月更

为什么人工智能需要可解释性?

博文视点Broadview

[Day46]-[数组]-三数之和

方勇(gopher)

数组 双指针 LeetCode

基于云服务MRS构建DolphinScheduler2调度系统

华为云开发者联盟

大数据 MRS 华为云 DolphinScheduler 调度处理

面试官:请手写一个带取消功能的延迟函数,axios 取消功能的原理是什么

若川

JavaScript 源码 前端 前端开发 axios

模块二,微信朋友圈架构

泋清

#架构实战营

跨平台应用开发进阶(十七) :uni-app实现内嵌H5应用

No Silver Bullet

uni-app 5月月更 内嵌H5应用

error: conflicting types for xxx in c

codists

c

OpenMLDB 实时引擎性能测试报告

第四范式开发者社区

人工智能 机器学习 数据库 性能分析 特征平台

从 vue-cli 源码中,我发现了27行读取 json 文件有趣的 npm 包

若川

JavaScript 前端 前端开发 Node web前端开发

从 vue3 和 vite 源码中,我学到了一行代码统一规范团队包管理器的神器

若川

JavaScript 前端 前端开发 Node web前端开发

Golang 的艺术、哲学和科学

宇宙之一粟

Go 语言 5月月更

助力传统游戏转型GameFi,Web3Games推动游戏发展新航向

One Block Community

区块链 黑客马拉松 gamefi Web3.0

使用 FutureProvider 搞定个人主页异步请求的状态管理

岛上码农

flutter ios 前端 安卓开发 5月月更

LabVIEW控制Arduino实现PWM呼吸灯(基础篇—5)

不脱发的程序猿

单片机 LabVIEW LIAT Arduino Uno PWM呼吸灯

Maven 跳过测试的几种方式

HoneyMoose

2.3 廷克图(TinkerGraph)介绍

Geek_古藤模根

Gremlin 廷克图 图数据库 TinkerGraph

动态规划:打家劫舍 ⛄

空城机

算法 5月月更

Docker下RabbitMQ四部曲之三:细说java开发

程序员欣宸

Java Docker RabbitMQ 5月月更

今天爬,明天没,天津市XX网 详情页加密逻辑拆解,文中关键字已经加密

梦想橡皮擦

5月月更

JAVA什么是反射?

源字节1号

软件开发

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