之前思考過這個(gè)問題，把我的思路告訴你 一般來說，如果直接想要語音轉(zhuǎn)語音幾乎是很難實(shí)現(xiàn)的，現(xiàn)在的神經(jīng)網(wǎng)絡(luò)也沒有那么智能，或者說現(xiàn)在硬件的速度內(nèi)存都有一定的限制。

1. 把問題的語音內(nèi)容轉(zhuǎn)文字；
2. 把通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)問題-答案，網(wǎng)絡(luò)的實(shí)現(xiàn)；
3. 再把文字轉(zhuǎn)換為語音；

我認(rèn)為語音準(zhǔn)文字，或者文字轉(zhuǎn)語音的技術(shù)，可能會(huì)比較復(fù)雜，如果自己做，可能會(huì)成為這個(gè)問題的核心難點(diǎn)。但是這個(gè)問題的核心卻是第2步。所以建議調(diào)用第三方模塊來實(shí)現(xiàn)文字語音互相轉(zhuǎn)換；
回到第2步。做文字轉(zhuǎn)文字的訓(xùn)練，目前有很多類似電影臺詞的內(nèi)容都可以作為訓(xùn)練數(shù)據(jù)集。然后再尋找一個(gè)比較合適的神經(jīng)網(wǎng)絡(luò)即可快速完成訓(xùn)練；

以上就是我此前思考的思路。

看下這個(gè)有沒有幫助：
https://www.roncoo.com/course...