孟繁岐说着，直接把刚刚t方法识别出来的文本复制了一下，直接交由t方法去生成。
很快，一个知性地女声响起，若不是这个句子太长，在几个地方发音仍有一些瑕疵，人们几乎不敢相信这是由电脑合成出来的声音。
虽然t方法在诸多任务上均取得了不小的提升，但是那些大都是在表格上对比展示，大家其实也看不懂一个点两个点意味着什么。
没办法理解其中的技术含量和突破的难度。
但这一次语音和文本的来回转换，则直观了太多。
“卧槽，他的意思是刚刚那个声音是假的？是合成出来的？”战鹰的嘴再次因惊讶而成一个o型，她最开始没有想到这一点，后知后觉，半晌才回过神来。
“我以前听到的那种机器语音，都是冷冰冰一个调的，一开口就知道是老机器人了。孟繁岐这个效果完全不一样啊，语音语调都有，语速、停顿的特性都和人类像了很多。要不是偶有一点杂声，我都快分辨不出来了。”
语音合成这里，孟繁岐专门对网络做了许多的改动调整，专门设置了一些音高音准的调节器结构，为得就是语音生成出来可以更像是人类在说话。
此外，还专门做了一个全新的声码器，用来匹配新办法。在一系列任务中，属于是下了较多功夫的，效果自然非常惊艳。
其实这个领域，一直以来也没有一个特别好的指标来评价合成出来的语音到底效果和质量怎么样。
通常都是使用一个指标叫做oS，其实就是人类的平均打分。我找二三十个志愿者，然后让他们盲听一下真实的语音和几个生成出来的版本，让志愿者打分。
没想到吧，在这个深度学习飞速发展的时代，竟然还是有少数领域采用的是如此古老且不好控制均值方差的打分办法。
“这也导致语音合成领域后来不少论文中，几个方法的效果到底谁更好没有一个定论。”语音类型的会议也收图像类论文，并且好投中一点，所以孟繁岐也关注过这方面的一些内容。
这种比较主观草率的评分，就使得操作空间变得格外之大。
试想，只要你通过暗示等手段，甚至加入一些干扰，就能轻松使得志愿者对其他方法的评价变差。如此一来，便能够凸显你自己的办法效果绝佳。
不少人都没能抵挡住这个诱惑。
当然，这也只是一方面，不同的方法在不同的句子上，效果本就有出入。
研究者甚至不需要作假，只需要针对性地进行筛选，就能够达成自己的目的了。
“holyShit。这小子加入了谷歌之后，真是离谱到家了。”燕京，李彦弘也在关注这件事：“我想过他有了资源之后能做出更大的成绩，却怎么也没有想到他的野心如此之大。”
孟繁岐作为核心贡献者做出阿尔法围棋，李彦弘是可以理解的，他认为以孟繁岐的实力，终结围棋智能这样特定的领域，是完全可以预见的。
但看今天这架势，孟繁岐已经不满足于某个方向了。
这小子是一个都不打算放过啊...
李彦弘看了一眼ppt，这东西二三十页，现在才翻到五六页呢，鬼知道后面还有多少东西。