WaveNet 是 DeepMind 开发的一种深度神经网络架构，用于生成高质量的合成语音。与传统的文本转语音 (TTS) 系统依赖于拼接方法（拼接预先录制的音频片段）或参数方法（使用声码器从频谱特征合成语音）不同，WaveNet 直接对原始音频波形进行建模。通过根据先前的样本预测每个音频样本，它以样本级别生成语音，从而产生更自然的声音输出。例如，较旧的系统经常产生机器人或含糊不清的音频，因为它们无法捕捉音高、节奏或音色的细微变化。WaveNet 直接处理波形的能力消除了对中间表示的需求，使其能够重现呼吸声或情感变化等微妙细节。
WaveNet 的架构使用扩张因果卷积，这是一种神经网络层，可以扩展模型的“感受野”，即网络在预测下一个样本时考虑的音频样本范围。这些扩张层以允许网络有效地捕获短期模式（例如，音素）和长期依赖性（例如，句子级别的语调）的方式堆叠。例如，扩张因子可能会跨层呈指数级增长（例如，1、2、4、8），从而使模型能够处理过去的数千个样本，而不会产生过多的计算开销。此外，WaveNet 使用 softmax 输出层来预测离散音频样本值，通常使用 µ-law 压扩变换进行量化以降低复杂性。这种方法与较旧的声码器形成对比，后者难以从压缩的频谱数据中重建自然语音。通过在大量人类语音数据集上进行训练，WaveNet 学习生成密切模仿真实音频统计模式的波形。
WaveNet 的影响在于它能够产生几乎与人类录音无法区分的语音，为 TTS 系统设定了新的基准。对于开发人员来说，这意味着转向端到端神经方法，用在原始数据上训练的模型替换手工制作的管道。谷歌将 WaveNet 集成到 Google Assistant 等服务中，显着提高了语音质量。然而，原始模型的计算需求（实时生成每秒 16,000–24,000 个样本）带来了挑战。后来的优化，例如 Parallel WaveNet，通过使用概率密度蒸馏来训练更快的、可并行化的模型，减少了推理时间。WaveNet 还启发了 WaveGlow（将流与扩张卷积相结合）和 Tacotron 2（将 WaveNet 集成作为声码器）等架构。这些进步证明了神经波形生成的可行性，为语音以外的应用（例如音乐合成）铺平了道路。对于从事 TTS 的开发人员而言，WaveNet 的设计原则（直接波形建模、扩张卷积和自回归采样）仍然是基本概念。