今年年初，中國搜索巨頭百度推出了一款名為DeepVoice的新系統。它使用深度學習，一種流行的人工智能技術，來構建一個可以轉換文本到語音的系統。第一個版本能夠產生簡短的句子，至少在粗略的聽覺上，幾乎與真人無法區分。該系統可以一次學習一個語音，并且需要數小時的數據來掌握每個語音。

DeepVoice 2于5月份首次亮相，只需半小時的數據即可模仿語音，單個系統可以學習數百種不同的口音。今天，百度正在推出DeepVoice的第三個也是最終版本 ; 該公司表示，這個版本可以學習2,500個聲音，每個聲音只需半小時。百度說，“擁有一個能夠有效產生各種聲音的系統，打開了許多用例的大門，否則這些用例將無法實現。例如，有聲書或視頻游戲中的每個角色都有自己獨特的聲音，可以提升用戶體驗。“

百度從DeepVoice 3中展示的合成語音的例子與最初的例子不同。它們顯然是合成的。該公司辯稱，這不是它的目標，并說，“如果我們只產生一兩個聲音，正如我們的單個揚聲器樣本所示，我們的系統已經被證明能夠合成非常自然，類似人類的聲音，很容易被用作數字助理。“

百度試圖做的是制作一個能夠掌握多種口音或人物細微差別的系統。雖然2,500是目前的限制，但該團隊表示，它認為使用更大的數據集的未來版本可以掌握10,000或更多。“這是展示可擴展性可能性的初步工作。我們的系統成功地將訓練擴展到以前發布的文本到語音模型中從未做過的大小和幅度。我們相信，通過使用大量高質量數據集進行額外的機器學習工程，可以在不久的將來大幅提高質量。“

百度并不是唯一從事計算機語音合成的搜索巨頭。谷歌的DeepMind部門一直在與WaveNet進行類似的項目。它的最新版本在掌握重音方面得到了更好的表現，甚至產生了“嘴唇”，使聲音聽起來更人性化。它現在正在現場使用，為英語和日語的Google智能助理生成語音。