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. Software Engineer (m/w/d) als Java Fullstack Entwickler im BPMN Umfeld
    Hannover Rück SE, Hannover
  2. Technischer IT-Support (m/w/d)
    Europäische Schule München, München-Neuperlach
Detailsuche

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)".

Golem Karrierewelt
  1. Elastic Stack Fundamentals – Elasticsearch, Logstash, Kibana, Beats: virtueller Drei-Tage-Workshop
    28.-30.11.2022, Virtuell
  2. Cinema 4D Grundlagen: virtueller Drei-Tage-Workshop
    07.-09.11.2022, Virtuell
Weitere IT-Trainings

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.

Bitte aktivieren Sie Javascript.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
  • ohne Werbung
  • mit ausgeschaltetem Javascript
  • mit RSS-Volltext-Feed


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...



Aktuell auf der Startseite von Golem.de
Smartwatch
Öffnen der Apple Watch Ultra trotz Schrauben riskant

Die Apple Watch Ultra verfügt über vier Schrauben auf der Unterseite. Nutzer sollten sie nicht lösen, um die Uhr nicht zu zerstören.

Smartwatch: Öffnen der Apple Watch Ultra trotz Schrauben riskant
Artikel
  1. Gegen Amazon und Co.: Frankreich führt Mindestgebühren für Buchbestellungen ein
    Gegen Amazon und Co.
    Frankreich führt Mindestgebühren für Buchbestellungen ein

    Mit einer Mindestliefergebühr will Frankreich kleinere Geschäfte vor großen Onlinehändlern wie Amazon schützen.

  2. Gen.Travel: Volkswagen zeigt autonomes Elektroauto mit Betten
    Gen.Travel
    Volkswagen zeigt autonomes Elektroauto mit Betten

    VW hat eine Autostudie vorgestellt, in der niemand mehr fahren muss. Stattdessen kann gearbeitet, geschlafen oder gefreizeitet werden.

  3. E-Commerce und Open Banking: Big-Tech-Konzerne drängen in den Finanzsektor
    E-Commerce und Open Banking
    Big-Tech-Konzerne drängen in den Finanzsektor

    Open Banking sollte Innovationen fördern. Stattdessen nutzen Amazon, Apple und Google es dazu, ihre Marktmacht auszubauen.
    Eine Analyse von Erik Bärwaldt

Du willst dich mit Golem.de beruflich verändern oder weiterbilden?
Zum Stellenmarkt
Zur Akademie
Zum Coaching
  • Schnäppchen, Rabatte und Top-Angebote
    Die besten Deals des Tages
    Daily Deals • CyberWeek: Gaming-Hardware uvm. • Crucial P2 1 TB 67,90€ • ViewSonic VX2719-PC FHD/240 Hz 179,90€ • MindStar (u. a. MSI MAG Z690 Tomahawk 219€ + $20 Steam) • Apple AirPods 2. Gen 105€ • Alternate (u. a. Chieftec GDP-750C-RGB 71,89€) • Logitech G Pro Gaming Keyboard 77,90€ [Werbung]
    •  /