語音合成Speech Synthesis=文字轉語音Text-to-speech(TTS)

輸入一段文字後，透過訓練學習與建立模型，將文字轉換成對應語音的技術。

• 需要性:
  1.知識吸收的問題:以聽力來吸收知識。
  2.情境的需求:開車的導航語音、運動的指示語音等。
  3.規模的問題:客服自動化的服務客戶。
  4.障礙的問題:協助視障人士靠聽力瞭解知識與外界。
  5.疲勞問題:聽覺相較式絕壁較不容易疲勞。
• 主要應用:有聲書、導航語音、視障模具、Podcast、電話語音服務IVR、社交機器人
• 主要學習模式:
  ➊串接合成的TTS(Concatenative Synthesis TTS)
  使用預錄方式由人類將各自詞的發音錄製好，經處理放入語音資料庫，分析入的文字架構，再從語音資料庫提取對應的聲音，進行串接縫合平滑化處理，最後輸出文本對應的語音句子。
  ➋參數合成的TTS(Parametric Method TTS)
  透過特徵工程，選出各種語音特徵來做訓練，訓練完成後一句輸入的文本由模式自動產生對應的聲音，不過此方法自然與逼真性有所限制。
  ➌深度學習的TTS
  代表為Google推出的Wavenet。

即時換聲系統Real Time Voice Cloning

Google推出的此類系統:SV2TTS。

利用Speaker Encoder預先錄下特定人的語音，抽取其音訊特徵，接著整合至傳統文字語音網路，來一起完成並放入文字轉語音系統內，整合近兩個特徵直，再透過Wavenet，即可將輸入的文字透過這個特定人的聲音，輸出至TTS系統用在不同的應用上。

不過此系統若被不肖人士利用將會帶來負面影響，例如:詐騙集團用來模仿親人聲音或主管聲音作詐欺的事件。

架構圖:

電腦視覺Computer Vision(CV)

透過對圖像與影片分析處理，去識別偵測其內部有用的資訊來支援決策的技術。

核心應用分為:

1. 圖像分析:人臉辨識Facial Recognition、人臉鑑別Facial Verification、圖像分類Image Classification、物件偵測Object Detection
2. 視頻分析:物件追蹤Object Tracing、行為識別Behavior Recognition

參考來源:人工智慧:概念應用與管理 林東清