只需3秒鐘,一個(gè)根本沒聽過你說話的AI,就能完美模仿出你的聲音。
是不是細(xì)思極恐?
這是微軟最新AI成果——語音合成模型VALL·E,只需3秒語音,就能隨意復(fù)制任何人的聲音。
它脫胎于DALL·E,但專攻音頻領(lǐng)域,語音合成效果在網(wǎng)上放出后火了:
有網(wǎng)友表示,要是將VALL·E和ChatGPT結(jié)合起來,效果簡直爆炸:
看來與GPT-4在Zoom里聊天的日子不遠(yuǎn)了。
還有網(wǎng)友調(diào)侃,(繼AI搞定作家、畫家之后)下一個(gè)就是配音演員了。
所以VALL·E究竟怎么做到3秒鐘模仿“沒聽過”的聲音?
用語言模型來分析音頻
基于AI“沒聽過”的聲音合成語音,即零樣本學(xué)習(xí)。
語音合成趨于成熟,但之前零樣本語音合成效果并不好。
主流語音合成方案基本是預(yù)訓(xùn)練+微調(diào)模式,如果用到零樣本場景下,會(huì)導(dǎo)致生成語音相似度和自然度很差。
基于此,VALL·E橫空出世,相比主流語音模型提出了不太一樣的思路。
相比傳統(tǒng)模型采用梅爾頻譜提取特征,VALL·E直接將語音合成當(dāng)成了語言模型的任務(wù),前者是連續(xù)的,后者是離散化的。
具體來說,傳統(tǒng)語音合成流程往往是“音素→梅爾頻譜(mel-spectrogram)→波形”這樣的路子。
但VALL·E將這一流程變成了“音素→離散音頻編碼→波形”:
具體到模型設(shè)計(jì)上,VALL·E也和VQVAE類似,將音頻量化成一系列離散tokens,其中第一個(gè)量化器負(fù)責(zé)捕捉音頻內(nèi)容和說話者身份特征,后幾個(gè)量化器則負(fù)責(zé)細(xì)化信號(hào),使之聽起來更自然:
隨后以文本和3秒鐘的聲音提示作為條件,自回歸地輸出離散音頻編碼:
VALL·E還是個(gè)全能選手,除了零樣本語音合成,同時(shí)還支持語音編輯、與GPT-3結(jié)合的語音內(nèi)容創(chuàng)建。
那么在實(shí)際測試中,VALL·E的效果如何呢?
連環(huán)境背景音都能還原
根據(jù)已合成的語音效果來看,VALL·E能還原的絕不僅僅是說話人的音色。
不僅語氣模仿到位,而且還支持多種不同語速的選擇,例如這是在兩次說同一句話時(shí),VALL·E給出的兩種不同語速,但音色相似度仍然較高:
同時(shí),連說話者的環(huán)境背景音也能準(zhǔn)確還原。
除此之外,VALL·E還能模仿說話者的多種情緒,包括憤怒、困倦、中立、愉悅和惡心等好幾種類型。
值得一提的是,VALL·E訓(xùn)練用的數(shù)據(jù)集不算特別大。
相比OpenAI的Whisper用了68萬小時(shí)的音頻訓(xùn)練,在只用了7000多名演講者、6萬小時(shí)訓(xùn)練的情況下,VALL·E就在語音合成相似度上超過了經(jīng)過預(yù)訓(xùn)練的語音合成模型YourTTS。
而且,YourTTS在訓(xùn)練時(shí),事先已經(jīng)聽過108個(gè)演講者中的97人聲音,但在實(shí)際測試中還是比不過VALL·E。
有網(wǎng)友已經(jīng)在暢想它可以應(yīng)用的地方了:
不僅可以用在模仿自己的聲音上,例如幫助殘障人士和別人完成對話,也可以在自己不想說話時(shí)用它代替自己發(fā)語音。
當(dāng)然,還可以用在有聲書的錄制上。
不過,VALL·E目前還沒開源,要想試用可能還得再等等。
作者介紹這篇論文所有作者均來自微軟,其中有三位共同一作。
一作Chengyi Wang,南開大學(xué)和微軟亞研院聯(lián)合培養(yǎng)博士生,研究興趣是語音識(shí)別、語音翻譯和語音預(yù)訓(xùn)練模型等。
共同一作Sanyuan Chen,哈工大和微軟亞研院聯(lián)合培養(yǎng)博士生,研究方向包括自監(jiān)督學(xué)習(xí)、NLP和語音處理等。
共同一作Yu Wu,微軟亞研院NLP小組研究員,在北航獲得博士學(xué)位,研究方向是語音處理、聊天機(jī)器人系統(tǒng)和機(jī)器翻譯等。
感興趣的小伙伴可以戳下方論文地址查看~
論文地址:https://arxiv.org/abs/2301.02111
音頻試聽地址:https://valle-demo.github.io/
參考鏈接:https://twitter.com/DrJimFan/status/1611397525541617665
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
2024年的Adobe MAX 2024發(fā)布會(huì)上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會(huì)——工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析專題論壇在沈陽成功舉辦。