“他們到時候不信，這倒也沒什么關系，等英偉達的那批泰坦顯卡到了，我給他們整個大的。”

    語言模型，就是要大！相比現在流行的辦法，只要模型做大，別的技巧就算不用那也是降維打擊。

    切到自己的工作這邊來，文字合成語音，實際上和語音識別技術是一對孿生兄弟。

    一個是從文本生成語音，讓機器說話，另一個則是識別語音成為文本，讓機器在比較熟悉的語言領域處理這些信息。

    孟繁岐既然動了手，自然兩兄弟都打包一起做了。

    先做公司有任務的文字生成語音這一邊，這個技術當然不僅僅只限于在翻譯界面上進行簡單的發音。

    “文字生成語音的應用范圍還是比較廣泛的，比如谷歌剛剛收購的智能家居公司，其中就可以有各種語音助手，或者是有聲讀物，乃至于23年開始有些起色的AI歌手和AI主播這種泛娛樂方向。”

    尤其是AI歌手，通過大量語音素材學習到一個人的嗓音特色之后，就完全可以生成海量的各種歌曲，突破了語言的限制，想讓他唱什么就讓他唱什么。

    妙，實在是妙啊！

    “現在的語音合成系統主要分三步走，前端預處理，聲學模型和聲碼器。雖然深度神經網絡可以更加激進地舍棄其中一些環節，但同樣也會帶來新的問題。”

    “我的目的只是為了完成奠基之作，推廣T方法出去，不必給自己加那么大的工作量，語音不是我非常關注的方向。”

    孟繁岐的思路比較清晰，雖然重生了，倒也不必要什么工作都要復現那么到位。

    “前端處理主要是給定一個文本生產它的發音信息及語言學信息，這部分現在比較成熟，直接根據處理好的信息去學聲學模型會容易不少，可以顯著降低我的工作量。”

    所謂的發音信息，可以理解為字形轉音形。

    比如【滾】，音形就哥悟嗯，其實就是類似拼音的一種記錄方式，它比字形更接近最后的發音情況，更加一一對應。

    并且，如果只看字形，就很難處理多音字的問題，前端處理的過程中，就可以根據前后文判斷這個多音字在這里到底是如何發音。

    轉換成為音形之后，就不會讀錯了。