概述
WaveNet 是 DeepMind 于 2016 年推出的一种突破性神经网络，它一次生成一个原始音频样本，产生极其自然的语音和音乐。它为高保真文本转语音设定了现代标准。
WaveNet 位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。
深入探讨
WaveNet 是一种自回归生成模型：它根据之前的所有样本来预测每个音频样本，通常每秒 16,000 或 24,000 个样本。它的核心创新是一堆扩张因果卷积。因果意味着模型只回顾时间，保留生成顺序；膨胀意味着每一层都会跳过呈指数增长的样本数量，因此适度的堆栈可以覆盖数千个样本（宽广的感受野），而无需巨大的成本。以语言特征或梅尔频谱图为条件，WaveNet 产生的语音比之前的串联和参数声码器更加自然，缩小了与人类录音的大部分差距，并为 Google Assistant 的早期版本提供支持。
技术洞察
扩张卷积是关键技巧：扩张率为 1、2、4、8 等，仅数十层深的网络就可以处理数千个过去的样本，捕获精细的波形细节和更长的韵律结构。输出将每个样本的值建模为分类分布（最初通过 mu-law 压扩为 256 个级别），门控激活单元加上残差和跳过连接稳定了这个非常深的堆栈的训练。
掌握 WaveNet
WaveNet 是 DeepMind 于 2016 年推出的一种突破性神经网络，它一次生成一个原始音频样本，产生极其自然的语音和音乐。它为高保真文本转语音设定了现代标准。 WaveNet 位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。为了建立深入的理解，请将 WaveNet 视为一个操作模型，而不是一个单一的功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用 WaveNet 的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
为 Google 助手和 Google 云文本转语音生成自然的声音
充当神经声码器，将梅尔频谱图转换为 TTS 管道（如 Tacotron 2）中的波形
从原始音频合成逼真的钢琴和器乐
用于辅助工具和有声读物旁白的语音合成
实施模式
WaveNet 的实践
为 Google 助手和 Google 云文本转语音生成自然的声音。
为 Google 助理和 Google 云文本转语音团队生成听起来自然的声音 当预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
WaveNet 的实践
充当神经声码器，将梅尔频谱图转换为 TTS 管道（如 Tacotron 2）中的波形。
充当神经声码器，在 Tacotron 2 等 TTS 管道中将梅尔声谱图转换为波形，当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
WaveNet 的实践
从原始音频合成逼真的钢琴和器乐。
从原始音频合成逼真的钢琴和器乐 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
WaveNet 的实践
用于辅助工具和有声读物旁白的语音合成。
用于辅助工具和有声读物旁白的语音合成 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
获得语音捕获、克隆和重用的明确同意。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
测试不同扬声器和背景条件下的质量。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
定义人员必须审查或批准输出的时间。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
标记合成音频并保留来源记录以供问责。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。