生成式 AI 在語音領域的歷史可追溯至 19 世紀。當時的機械語音生成技術如 Charles Wheatstone 的語音生成器，利用振動簧片產生聲音，奠定了語音生成的基本理論基礎。隨著科技進步，20 世紀中期出現了基於數位技術的語音生成系統。這些早期系統使用了形式合成 (Formant Synthesis) 和拼接合成 (Concatenative Synthesis) 技術來模擬人類語音特徵，極大地提高了生成語音的自然。
進入 21 世紀後，深度學習和神經網路技術徹底改變了語音生成領域。這些技術使得生成式 AI 能夠在語音生成中表現出極高的精確度和靈活性。WaveNet，由 Google DeepMind 於 2016 年推出，是其中最具影響力的技術之一。WaveNet 使用卷積神經網路 (CNN) 來直接生成音頻波形，這一創新突破了傳統語音生成方法的限制，不僅提高了語音的自然，還能表現出細膩的音調變化和情感表達。
與 WaveNet 相似的，Google 的 Tacotron 系列 (包括 Tacotron 2) 則進一步推動了語音生成技術的發展。Tacotron 使用了 Sequence-to-Sequence 模型結構，通過將文字直接映射為音頻特徵，然後再轉換為波形，Tacotron 不僅簡化了生成過程，還大幅提升了生成語音的流暢性和表達力。
這些技術的核心在於其深度神經網路的架構。WaveNet 直接建模音頻波形，而 Tacotron 則利用注意力機制來對文字和音頻特徵進行對齊，這使得語音生成過程能夠更加精確地捕捉到人類語音中的微妙變化。此類技術的應用，將語音生成推向了高度擬真和高度個性化的方向。
隨著技術的不斷演進，現代的生成式 AI 不僅能生成標準的語音，還能創建高度個性化的 AI 語音。零樣本說話人自適應 (Zero-Shot Speaker Adaptation) 技術允許單一模型生成多種不同特徵的語音，而無需大量的訓練資料。這項技術利用了深度學習中的遷移學習 (Transfer Learning) 原理，讓模型能夠快速適應語音特徵並生成符合指定特徵的語音。
iThome鐵人賽
看影片追技術