Abo
  • IT-Karriere:

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. Bundesamt für Kartographie und Geodäsie, Bad Kötzting
  2. Groz-Beckert KG, Albstadt

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
Top-Angebote
  1. 47,95€
  2. 98,00€ (Bestpreis!)
  3. 469,00€
  4. 92,90€ (Bestpreis!)

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
       


Nubia Alpha - Hands on (MWC 2019)

Nubia hat eine Smartwatch mit einem flexiblen Display auf dem Mobile World Congress 2019 in Barcelona gezeigt.

Nubia Alpha - Hands on (MWC 2019) Video aufrufen
Technologie: Warum Roboter in Japan so beliebt sind
Technologie
Warum Roboter in Japan so beliebt sind

Japaner produzieren nicht nur mehr Roboter als jede andere Nation, sie gehen auch selbstverständlicher mit ihnen um. Das liegt an der besonderen Geschichte und Religion des Inselstaats - und an Astro Boy.
Von Miroslav Stimac

  1. Kreativität Roboterdame Ai-Da soll zeichnen und malen
  2. Automatisierung Roboterhotel entlässt Roboter
  3. Cimon Die ISS bekommt einen sensiblen Kommunikationsroboter

Passwort-Richtlinien: Schlechte Passwörter vermeiden
Passwort-Richtlinien
Schlechte Passwörter vermeiden

Groß- und Kleinbuchstaben, mindestens ein Sonderzeichen, aber nicht irgendeins? Viele Passwort-Richtlinien führen dazu, dass Nutzer genervt oder verwirrt sind, aber nicht unbedingt zu sichereren Passwörtern. Wir geben Tipps, wie Entwickler es besser machen können.
Von Hanno Böck

  1. Acutherm Mit Wärmebildkamera und Mikrofon das Passwort erraten
  2. Datenschutz Facebook speicherte Millionen Passwörter im Klartext
  3. Fido-Sticks im Test Endlich schlechte Passwörter

Jobporträt: Wenn die Software für den Anwalt kurzen Prozess macht
Jobporträt
Wenn die Software für den Anwalt kurzen Prozess macht

IT-Anwalt Christian Solmecke arbeitet an einer eigenen Jura-Software, die sogar automatisch auf Urheberrechtsabmahnungen antworten kann. Dass er sich damit seiner eigenen Arbeit beraubt, glaubt er nicht. Denn die KI des Programms braucht noch Betreuung.
Von Maja Hoock

  1. Struktrurwandel IT soll jetzt die Kohle nach Cottbus bringen
  2. IT-Jobporträt Spieleprogrammierer "Ich habe mehr Code gelöscht als geschrieben"
  3. Recruiting Wenn die KI passende Mitarbeiter findet

    •  /