從面向廣大英語和普通話聽眾的測試中發(fā)現(xiàn)，WaveNet的表現(xiàn)已經(jīng)優(yōu)于現(xiàn)有的語音合成系統(tǒng)，但結(jié)果還是略遜于人類真正的語言水平。
目前的語音合成系統(tǒng)只有兩種工作方式：第一種是截取實(shí)際的講話錄音，然后打碎重組成新的語音——有點(diǎn)像綁架電話慣用的手段；另一種是依賴電腦合成，通過編程生成語音，這意味著它不需要預(yù)先錄制好語音材料，但是聽起來的效果并不好，很像機(jī)器人。
另一方面，WaveNet仍然使用真實(shí)的語音輸入，但通過學(xué)習(xí)和模仿來合成語音，而不是將其打破重組。項(xiàng)目的研究人員寫道：“單單一個(gè)WaveNet就能以相同的保真度捕捉記錄下各個(gè)不同說話者的特點(diǎn)，并且可以任意切換聲音。”
同樣令人印象深刻的是，它可以利用諸如唇部運(yùn)動(dòng)和人工呼吸來模擬語調(diào)、情緒和口音。如果這還不夠，WaveNet也許還能像鋼琴一樣彈奏樂曲，研究人員只需提供一些經(jīng)典片段，它就能創(chuàng)作出自己的作品。
DeepMind在Twitter發(fā)文稱：“讓人類和機(jī)器對話是人機(jī)交互領(lǐng)域長久以來的夢想”
