深度進(jìn)修在2006年開(kāi)端嶄露頭腳后，近幾年獲得了飛速的成長(zhǎng)，不管是學(xué)術(shù)研討照樣企業(yè)運(yùn)用均出現(xiàn)出指數(shù)級(jí)增加的趨向；隨同著這項(xiàng)技巧的賡續(xù)成熟，深度進(jìn)修在智能語(yǔ)音范疇率先發(fā)力，獲得一系列勝利的運(yùn)用。

　　例如，一。 音色的定制化，須要跟蹤錄年夜量的音庫(kù)，從新練習(xí)一個(gè)模子；二。 特性化表現(xiàn)辦法的定制化，可以錄一些數(shù)據(jù)，經(jīng)由過(guò)程深度進(jìn)修練習(xí)模子，自順應(yīng)的辦法來(lái)完成。

　　深度進(jìn)修在統(tǒng)計(jì)參數(shù)語(yǔ)音分解中的運(yùn)用

　　語(yǔ)音分解重要采取波形拼接分解和統(tǒng)計(jì)參數(shù)分解兩種方法。波形拼接語(yǔ)音分解須要有足夠的高質(zhì)量發(fā)音人灌音能力夠分解高質(zhì)量的語(yǔ)音，它是貿(mào)易產(chǎn)物中最經(jīng)常使用的語(yǔ)音分解技巧。統(tǒng)計(jì)參數(shù)語(yǔ)音分解固然全體分解質(zhì)量略低，然則在小范圍語(yǔ)料、低占用資本的情形下，優(yōu)勢(shì)更加顯著。另外，混雜語(yǔ)音分解結(jié)合了波形拼接分解和統(tǒng)計(jì)參數(shù)分解的優(yōu)勢(shì)，選音辦法相似于傳統(tǒng)的波形拼接辦法，它應(yīng)用參數(shù)分解辦法來(lái)指點(diǎn)選音；接上去重點(diǎn)引見(jiàn)今朝普遍應(yīng)用的語(yǔ)音分解辦法：

　　（1） 傳統(tǒng)的基于DNN/LSTM的分解

　　傳統(tǒng)的基于HMM統(tǒng)計(jì)參數(shù)的語(yǔ)音分解是在練習(xí)進(jìn)程中樹(shù)立文本參數(shù)與聲學(xué)參數(shù)之間的映照模子，經(jīng)由過(guò)程高斯混雜模子描寫每一個(gè)建模單位。在建模進(jìn)程中有三個(gè)環(huán)節(jié)會(huì)招致語(yǔ)音音質(zhì)降低，第一是決議計(jì)劃樹(shù)的聚類，第二是聲碼器，第三是參數(shù)生成算法。針對(duì)決議計(jì)劃樹(shù)聚類成績(jī)，可以經(jīng)由過(guò)程深層神經(jīng)收集樹(shù)立文本特點(diǎn)和聲學(xué)特點(diǎn)之間的映照關(guān)系，替換傳統(tǒng)的淺層模子，進(jìn)步模子精度；比擬典范的深層神經(jīng)收集模子構(gòu)造包含深層相信神經(jīng)收集和長(zhǎng)短時(shí)記憶遞歸神經(jīng)收集；后者具有更強(qiáng)的序列進(jìn)修才能，采取BLSTM-RNN建模時(shí)，還可以跳過(guò)參數(shù)生成算法直接猜測(cè)語(yǔ)音參數(shù)，最初經(jīng)由過(guò)程聲碼器便可以分解語(yǔ)音；總的來(lái)講，應(yīng)用深層神經(jīng)收集壯大的非線性建模才能，在必定水平上晉升了語(yǔ)音分解體系的機(jī)能，然則并沒(méi)有跳出原本的語(yǔ)音分解體系框架。

　　（2） 基于WaveNet的分解

　　在已有的研討中，很少有人會(huì)直接在時(shí)域上對(duì)已有音頻建模。從直覺(jué)上剖析，構(gòu)建一個(gè)自回歸模子，可以或許猜測(cè)每個(gè)samples是若何被后面一切的samples所影響的，是一個(gè)相當(dāng)艱難的義務(wù)。谷歌提出的基于WaveNets的語(yǔ)音分解辦法，跳出了傳統(tǒng)語(yǔ)音分解框架，繞開(kāi)聲碼器模塊，直接對(duì)采樣點(diǎn)停止猜測(cè)，面臨這個(gè)充斥挑釁的成績(jī)，獲得了沖破。

　　WaveNet語(yǔ)音分解體系的輸出包含文本特點(diǎn)和先前時(shí)段的音頻采樣點(diǎn)。個(gè)中文本特點(diǎn)的有用表述起到異常主要的感化。假如在沒(méi)有文本序列的情形上去練習(xí)收集，依然可以生成語(yǔ)音，然則沒(méi)法聽(tīng)懂輸入音頻的內(nèi)容。WaveNet語(yǔ)音分解體系存在的成績(jī)是模子每次輸入單個(gè)采樣點(diǎn)，盤算效力難以知足適用請(qǐng)求。可以引入一些自順應(yīng)的辦法對(duì)已有模子停止優(yōu)化，使其可以或許實(shí)用于分歧發(fā)音人。也能夠在模子的輸出端供給更多的信息，例如情緒或口音，如許使得生成的語(yǔ)音可以更多樣化，更具表示力。

　　（3） 基于DeepVoice的分解

　　百度提出了Deep Voice語(yǔ)音分解體系，它將外面的許多模塊用深度神經(jīng)收集去完成，經(jīng)由過(guò)程相似于WaveNet的分解器來(lái)分解，后果也是比擬幻想的。已有的語(yǔ)音分解體系會(huì)在某些環(huán)節(jié)上采取深度進(jìn)修，但在Deep Voice之前，沒(méi)有團(tuán)隊(duì)采取全深度進(jìn)修的框架。傳統(tǒng)語(yǔ)音分解須要停止年夜量的特點(diǎn)處置和特點(diǎn)構(gòu)建，但百度經(jīng)由過(guò)程應(yīng)用深度進(jìn)修防止了這些成績(jī)。這使得 Deep Voice 的運(yùn)用規(guī)模加倍普遍，應(yīng)用起來(lái)也加倍便利。假如須要運(yùn)用于新的數(shù)據(jù)集，傳統(tǒng)的語(yǔ)音分解體系完成從新練習(xí)需數(shù)天到數(shù)周的時(shí)光停止調(diào)理，而對(duì)Deep Voice停止手動(dòng)操作和練習(xí)模子所需的時(shí)光只需幾個(gè)小時(shí)就足夠。比擬于WaveNet語(yǔ)音分解體系 ，如今這個(gè)體系的有用速度晉升了400倍。

　　（4） 兩個(gè)端對(duì)真?zhèn)€語(yǔ)音分解

　　第一個(gè)是Char2Wav，這個(gè)模子是直接對(duì)輸出的文本停止編碼，采取encoder-decoder模子。對(duì)輸出特點(diǎn)停止編碼，然后生成的中央編碼信息放到解碼器里停止最初的分解，分解采取SimpleRNN的分解器來(lái)分解語(yǔ)音，后果也是比擬幻想的，并且是典范的End-To-End的語(yǔ)音分解模子。

　　再一個(gè)是谷歌提出的端對(duì)真?zhèn)€語(yǔ)音分解體系，它跟Char2Wav比擬相似，輸出的也是Embeddings，分解的后果也比擬感性。