DeepMind 发布 WaveNet 语音合成模型

WaveNet 由 DeepMind 于 2016 年提出，是首批直接对原始音频波形建模的神经网络生成系统，目标是逼近自然语音的细节。传统 TTS 长期依赖 concatenative synthesis，把人声切成音素片段重组成新句子，或使用 DSP 类 vocoder 做参数合成，两条路线在自然度上始终受限。WaveNet 走的是自回归路线，逐样本预测下一段音频，单秒语音由 24000 个样本顺序生成，模型能学到语速、语调、口音、情绪乃至唇音与呼吸等子语言信号。

早期版本在 American English 与 Mandarin Chinese 上把计算机生成语音与人类语音的差距缩小约 50%，但生成 1 秒音频需要数小时，研究侧的成果难以直接走进产品。DeepMind 随后用 distillation 把大模型的知识压缩到小模型，把推理速度提升约 1000 倍，1 秒语音的生成时间压缩到 50 毫秒，使在线 TTS 成为可行选项。同时期发布的 WaveRNN 则给出更轻量、可在移动设备本地运行的变体。

在产品层面，WaveNet 与 WaveRNN 成为 Google Assistant、Maps Navigation、Voice Search 与 Cloud Text-to-Speech 的核心组件，把研究原型推到每天被数百万人使用的语音管线。对后续 audio 生成研究的影响同样深远，自回归 waveform 建模思路被广泛沿用，也直接铺垫了 Gemini Audio、Lyria 这类后续多模态语音与音乐生成模型的设计取向。研究文档把 WaveNet 描述为"从研究原型快速演化为成熟产品"的范例。