從面向廣大英語(yǔ)和普通話聽(tīng)眾的測(cè)試中發(fā)現(xiàn)，WaveNet的表現(xiàn)已經(jīng)優(yōu)于現(xiàn)有的語(yǔ)音合成系統(tǒng)，但結(jié)果還是略遜于人類真正的語(yǔ)言水平。
目前的語(yǔ)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(yǔ)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(guò)編程生成語(yǔ)音，這意味著它不需要預(yù)先錄制好語(yǔ)音材料，但是聽(tīng)起來(lái)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(yǔ)音輸入，但通過(guò)學(xué)習(xí)和模仿來(lái)合成語(yǔ)音，而不是將其打破重組。項(xiàng)目的研究人員寫(xiě)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(shuō)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(lái)模擬語(yǔ)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(lè)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(duì)話是人機(jī)交互領(lǐng)域長(zhǎng)久以來(lái)的夢(mèng)想”
