近年來隨著深度學習技術的不斷發展，語音合成技術也取得了突破性進展，也成為了很多設備的標配。比如siri通過手機跟我們講冷笑話，車載音箱實時播報汽車的行進路線等等無不用到語音合成。

并且，深度神經網絡在語音合成模型與聲碼器中的應用，使得端到端語音合成系統得到飛速進展。序列到序列（seq2seq）模型框架簡潔，無需幀級對齊，聲學時長聯合建模，避免級聯誤差，也無需復雜文本特征。Google在2017年提出了一種新的端到端的語音合成系統Tacotron，借助深度學習模型的強表達能力，表現出驚人的合成效果。

目前國內的語音合成技術趨于成熟，但是企業對語音合成候選人的要求也極高。語音技術相較于AI其他方向而言，具有典型的跨學科特點。除了聲學、語音語言學、信號處理等，還要會編程語言，并且要對常見的深度學習模型有深入了解，以及對語音合成本身的Tacotron、WaveNet等系統異常熟悉。內容涉及的越廣泛，大家學習周期也就越長，企業的人才缺口也會相應的增加。

并且語音合成算法工程師的薪資也極為可觀，基本是30k/月起步。（是不是很心動！）

而國內高校并沒有培養對應人才的學習機制，并且，真正想學習的同學，在網絡上都很難搜索到系統地學習語音合成的相關資料，更別說還需要相關項目來動手實踐了，終究是“巧婦難為無米之炊”。

深藍學院特邀西北工業大學教授、博導謝磊團隊講授《語音合成：基礎與前沿》課程，既講解傳統語音合成算法（幀級+信號聲碼器），而且講解端到端語音合成進階算法，最后帶大家實現語音合成應用，如風格化語音合成、多說話人建模與說話人自適應技術。

?

1.講師團隊介紹

左右滑動查看更多

?

2. 實踐項目

01

實現基于CRF的分詞

學習如何使用CRF實現中文分詞，了解CRF的數據格式、訓練流程以及測試客觀指標。通過該實踐能夠快速搭建一套分詞系統。

02

World vocoder參數提取與合成

基于World vocoder實現參數的提取與合成，旨在了解傳統語音聲碼器中各個參數，包括基頻、頻譜包絡以及非周期信號。同時嘗試使用這些特征還原語音，并且對比各種采樣率下的不同還原效果。

03

基于LSTM/GRU的聲學與時長模型

在此實踐中，我們將基于Tensorflow實現遞歸神經網絡LTSM/GRU的語音合成時長與聲學模型。從而將設計好的文本特征經過時長和聲學模型，合成語音。

04

實現基于Tacotron的聲學模型

基于Tensorflow構建Tacotron模型，包括特征處理、模型訓練和解碼等。旨在了解Tacotron各個模塊的細節，以及如何基于注意力機制構建序列到序列聲學模型。

05

實現基于LSA的注意力機制

基于Tensorflow實現Location-sensitive attention (LSA)機制。旨在進一步了解注意力機制的基礎原理以及使用方法，并嘗試尋找更符合語音特點的注意力機制。

06

實現基于Mel特征的WaveRNN

基于Tensorflow實現基于Mel特征的WaveRNN神經聲碼器，從而將譜特征轉換為真實語音波形。同時可以考慮對原始模型進行擴展或改進以提高訓練速度。

?

3. 課程亮點

1.本課程全面覆蓋當前主流算法和模型，學習省時省力；

2.授課團隊為國內知名的語音團隊——西北工業大學謝磊團隊；

3.理論與實踐相結合。每章節課程后的都會配有相應的作業，助教1V1批改；

4.班主任帶班。督促學習（告別拖延~）；

5.超優質的學習圈子。學習本課程的同學來自超牛的學校與企業。

?

4. 課程收獲

1.掌握傳統語音合成系統中文本正則化、分詞、注音、韻律預測等前端子模塊的作用以及基于BLSTM+CRF的方法；

2.掌握傳統語音合成系統中主流后端算法，包括基于HMM/NN的統計參數模型，以及基于單元拼接的方法；

3.領悟基于Attention的序列到序列算法的思想，掌握Tacotron模型的細節；

4.深入了解更適合語音任務的Attention機制及其應用；

5.熟悉基于WaveNet的神經網絡聲碼器以及WaveRNN和LPCNet聲碼器的原理。

咨詢更多

掃碼添加深藍學院-葉子

備注【130】，才會通過好友哦！

咨詢課程可免費領取試聽課哦~

總結

以上是生活随笔為你收集整理的语音合成：模拟最像人类声音的系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。