最近，百度终于推出了DeepVoice的“最终版”，并声称最终版可以在每半个小时内完成对10000种语音的数据学习。
DeepVoice作为一个完全有深度神经网络构建的高质量语音转文本系统，能够用于智能手机地图与语音软件；能够实现游戏角色由玩家自己合成声音，从而替代原声配音；还能够用于音乐合成供娱乐消遣。但目前百度DeepVoice产出的口音，其合成感还是很明显。
百度于今年2月份推出的DeepVoice第一代，与神经文本到语音（TTS）系统不同，它只能学习较短的句子，并且系统每次只能学习一种声音，在数个小时后才能掌握。
在今年5月份推出的DeepVoice2，模仿口音时间有所提高，大约一个小时内即可模仿出一种口音。单系统即可以学习数百种不同的口音，同时实现高音质。
如今推出的DeepVoice最终版，效率极大提高，可以在半个小时内完成对10000种语音数据的学习。但是，百度表示“最终版”仍然有进步空间，他们要制造出一种能够掌握多种口音或能捕捉字符间细微差别的系统，以使得语音合成系统用处更广泛，学习声音真实程度更高，错误率降低。
除了百度之外，Google、Apple和Amazon都有相关的语音合成研发产品。Google旗下的DeepMind，一直在进行一个名叫WaveNet的类似项目。最新版本的WaveNet已经能够在掌握口音方面做到真实、高效，甚至可以像真人那样产生“唇音”。可见，百度的语音合成软件的研发之路还很长远。
