Abo
  • Services:

Tacotron 2: Googles Sprachsynthese erreicht fast menschliche Qualität

Für die aktuelle Version seiner Sprachsynthese aus Text kombiniert Google verschiedene Ansätze und erreicht so fast die Qualität professionell vorgelesener Aufnahmen. Das System, Tacotron 2, hat aber noch große Schwierigkeiten mit Fremdwörtern und praktische Probleme.

Artikel veröffentlicht am ,
Die neue Sprachsynthese von Google kombiniert zwei verschiedene Ansätze.
Die neue Sprachsynthese von Google kombiniert zwei verschiedene Ansätze. (Bild: Google)

In einer nur vier Seiten langen Abhandlung beschreibt ein Forscherteam von Google einen neues System für die Sprachsynthese auf Grundlage von Text (Text-to-Speech, TTS). Das Modell mit dem Namen Tacotron 2, das Google auch kurz in seinem Forschungsblog vorstellt und beschreibt, soll laut eigenen Untersuchungen fast so gute Ergebnisse liefern wie professionelle Aufnahmen, in denen Menschen Texte vorlesen. Diese Qualität dürfte bisher völlig unerreicht sein.

Stellenmarkt
  1. STAHLGRUBER GmbH, Poing bei München
  2. CSB-SYSTEM AG, Kleinmachnow

Für dieses Ergebnis kombiniert das Forscherteam von Google gleich zwei relativ junge und vergleichsweise sehr fortschrittliche Arbeiten auf dem Gebiet des maschinellen Lernen zur Spracherzeugung. Dazu gehört einerseits Tacotron in Version 1, das Google erst in diesem Frühjahr vorgestellt hat sowie Wavenet, das aus dem Google-Schwesterunternehmen Deepmind stammt und inzwischen in Googles Assistant genutzt wird.

Aus zwei mach eins

Tacotron 1 nutzt als Ausgangslage, um das Modell zu trainieren, Paare aus Text und dazugehörigem Audiomaterial. Die Aufnahmen stammen von einer professionellen Sprecherin des North-American-English. Dies wird für einen Ende-zu-Ende-Ansatz genutzt, sodass die Sprachausgabe direkt aus einer gegebenen Sequenz von Buchstaben synthetisiert werden kann. Dank einer speziellen Trainingsmethode mit einer Postprocessing-Phase erzeugt Tacotron auch besser aufgelöste Harmoniken und Formantenstrukturen bei hohen Frequenzen, was wiederum Artefakte bei der tatsächlichen Synthese verringern soll.

Wavenet ist darauf ausgelegt, direkt eine Wellenform für Sprache zu erzeugen, was durch ein Training auf entsprechendem Audiomaterial basiert. Wavenet lernt aus diesen Beispielen wiederum selbstständig und theoretisch auch sprachunabhängig die eigentliche Struktur der gesprochenen Sprache, "also etwa, welche Töne aufeinander folgen und welche Wellenformen realistisch sind (und welche nicht)".

Für Tacotron 2 wird nun ein Sequence-to-Sequence-Modell genutzt, das aus einer gegebenen Sequenz von Buchstaben eine Sequenz von Eigenschaften erzeugt, die das gewünschte Audiosignal kodieren. Gespeichert wird dies in einem Mel-Frequenz-Spektrogramm, was also psychoakustische Signale enthält, die nicht nur die gewünschte Aussprache repräsentieren, sondern auch Lautstärke, Geschwindigkeit oder auch Betonung.

Eine modifizierte Version von Wavenet erzeugt aus diesem Spektrogramm das zur Ausgebe vorgesehene Audiosignal. Die so erstellte Sprachsynthese vereint die Prosodie-Fähigkeiten von Tacotron mit der Audioqualität von Wavenet.

Ausgezeichnete Qualität mit Ausreißern

Mit einem extrem guten Mean Opinion Score (MOS) von 4,53 erreicht das Modell sogar annähernd die Qualität, mit der auch die professionellen Sprachaufnahmen im Mittel bewertet werden. Von der Güte des Modells können sich Interessierte selbst überzeugen, da Google einige Synthese-Beispiele bereitstellt.

Das Unternehmen geht aber auch selbstkritisch auf Mängel des Systems ein. Probleme hat Tacotron 2 derzeit zum Beispiel noch mit Fremdwörtern wie etwa der Weinsorte Merlot. Im Extremfall werde sogar nur zufälliges Rauschen erzeugt. Problematisch für eine praktische Anwendung ist auch noch, dass das Modell nicht in Echtzeit synthetisieren kann, ebenso wenig könnten Stimmungen über das Sprachsignal ausgedrückt werden. Traurig oder glücklich klingt die Stimme also nie, sondern immer gleich. Das alles seien aber Möglichkeiten für weiter Forschungsarbeiten, so Google.



Anzeige
Hardware-Angebote
  1. (Neuware für kurze Zeit zum Sonderpreis bei Mindfactory)
  2. mit Gutschein: HARDWARE50 (nur für Neukunden, Warenwert 104 - 1.000 Euro)
  3. 83,90€

ashahaghdsa 22. Dez 2017

Wenn die hierzu den Code veröffentlichen, dann musst du nur einfach einen Amiga 200...

Chrizzl 22. Dez 2017

Ja, echt jetzt :D

Christian72D 22. Dez 2017

Ich würde ZU gerne mal profesionelle Sprecher hören die die beiden Zungenbrecher vorlesen...

Dromedarius 21. Dez 2017

Durch den End-To-End-Ansatz sind aber andere Sprachen an sich kein Problem mehr. Es muss...


Folgen Sie uns
       


Alt gegen neu - Model M im Test

Das US-Unternehmen Unicomp bietet Tastaturen mit Buckling-Spring-Schalter an - so wie sie einst bei IBMs Model-M-Modellen verwendet wurden. Die Kunststoffteile sind zwar nicht so hochwertig wie die des Originals, die neuen Model Ms sind aber dennoch sehr gute Tastaturen.

Alt gegen neu - Model M im Test Video aufrufen
Always Connected PCs im Test: Das kann Windows 10 on Snapdragon
Always Connected PCs im Test
Das kann Windows 10 on Snapdragon

Noch keine Konkurrenz für x86-Notebooks: Die Convertibles mit Snapdragon-Chip und Windows 10 on ARM sind flott, haben LTE integriert und eine extrem lange Akkulaufzeit. Der App- und der Treiber-Support ist im Alltag teils ein Manko, aber nur eins der bisherigen Geräte überzeugt uns.
Ein Test von Marc Sauter und Oliver Nickel

  1. Qualcomm "Wir entwickeln dediziertes Silizium für Laptops"
  2. Windows 10 on ARM Microsoft plant 64-Bit-Support ab Mai 2018
  3. Always Connected PCs Vielversprechender Windows-RT-Nachfolger mit Fragezeichen

Cruijff Arena: Ed Sheeran singt mit Strom aus Nissan-Leaf-Akkus
Cruijff Arena
Ed Sheeran singt mit Strom aus Nissan-Leaf-Akkus

Die Johann-Cruijff-Arena in Amsterdam ist weltweit das erste Stadion, das seine Energieversorgung mit einem Speichersystem sichert, das aus Akkus von Elektroautos besteht. Der englische Sänger Ed Sheeran hat mit dem darin gespeichertem Solarstrom schon seine Gitarre verstärkt.
Ein Bericht von Dirk Kunde

  1. Energiewende Warum die Bundesregierung ihre Versprechen nicht hält
  2. Max Bögl Wind Das höchste Windrad steht bei Stuttgart

Segelschiff: Das Vindskip steckt in der Flaute
Segelschiff
Das Vindskip steckt in der Flaute

Hochseeschiffe gelten als große Umweltverschmutzer. Neue saubere Antriebe sind gefragt. Der Norweger Terje Lade hat ein futuristisches Segelschiff entwickelt. Doch solch ein neuartiges Konzept umzusetzen, ist nicht so einfach.
Ein Bericht von Werner Pluta

  1. Energy Observer Toyota unterstützt Weltumrundung von Brennstoffzellenschiff
  2. Hyseas III Schottische Werft baut Hochseefähre mit Brennstoffzelle
  3. Kreuzschifffahrt Wie Brennstoffzellen Schiffe sauberer machen

    •  /