这项新技术利用了谷歌此前在语音生成方面最强大的两种技术：WaveNet和第一代Tacotron。

WaveNet每次能生成一段讲话音频。尽管效果很好，但WaveNet需要用到大量关于语言的元数据，包括发音，以及已知的语言特征等等。Tacotron则综合了更多高级特性，例如语调和韵律，但并不能生成最终的演讲音频。

Tacotron 2结合了以上两者的优势，或许已经发挥出了当前技术专业性的极限。Tacotron 2使用文本和文字叙述来计算所有语言规则，而不再需要人工明确告知系统规则。文本本身被转换为Tacotron风格的“梅尔频谱”，实现节奏和强调。而单词本身则基于WaveNet风格的系统来生成。

由此产生的音频比以往更好。演讲的节奏感很好，但对于不太直观的单词，发音可能有问题。这或许是由于，单词的来源不是美式英语，这样的单词包括Decorum和Merlot。研究者表示：“在极端情况下，可能会随机产生奇怪的噪声。”

此外，尽管口音和其他语言细节可以通过与WaveNet的交流而输入，但仍然没有任何方式去控制演讲的语调情绪，例如乐观或担忧。

降低系统训练障碍意味着可以训练更多更好的系统。研究人员已经将研究成果提交至IEEE国际声学语音和信号处理大会，论文已发表至arXiv。