隨著大規(guī)模文本到語音(TTS)模型的發(fā)展,取得了顯著進(jìn)展,但在語音質(zhì)量、相似度和韻律方面仍存在不足。考慮到語音涉及到多個(gè)屬性(例如內(nèi)容、韻律、音色和聲學(xué)細(xì)節(jié)),這為生成帶來了巨大挑戰(zhàn)。
為了解決這一問題,NaturalSpeech3提出了一種創(chuàng)新的TTS系統(tǒng),采用了新穎的分解擴(kuò)散模型,以零樣本的方式生成自然語音。也就是提供文本和參考音頻,可以克隆音色和感情,值得注意的是,NaturalSpeech3目前只有論文。
語音建模的關(guān)鍵創(chuàng)新點(diǎn)之一是使用神經(jīng)編解碼器,包含分解的向量量化(FVQ),將語音波形分解成內(nèi)容、韻律、音色和聲學(xué)細(xì)節(jié)等子空間。** 這種分解設(shè)計(jì)使得NaturalSpeech3能夠以分治的方式高效地建模復(fù)雜的語音。此外,他們還提出了分解的擴(kuò)散模型,用于根據(jù)相應(yīng)提示生成每個(gè)子空間中的屬性。實(shí)驗(yàn)證明,NaturalSpeech3在質(zhì)量、相似度、韻律和可懂度等方面優(yōu)于現(xiàn)有TTS系統(tǒng)。
在LibriSpeech基準(zhǔn)測試中,NaturalSpeech3的性能明顯超越了其他系統(tǒng)。對比結(jié)果顯示,NaturalSpeech3在相似度(Sim-O)、錯(cuò)誤率(WER)、音質(zhì)(CMOS)、語音質(zhì)量(SMOS)等方面均取得了顯著的優(yōu)勢。此外,通過擴(kuò)大模型規(guī)模和訓(xùn)練數(shù)據(jù),NaturalSpeech3在200K小時(shí)的訓(xùn)練數(shù)據(jù)和10億參數(shù)的規(guī)模下取得了更好的性能。
除了LibriSpeech基準(zhǔn)測試,NaturalSpeech3還在Ravdess基準(zhǔn)測試上表現(xiàn)出色。在MCD(Mel頻率倒譜系數(shù))方面,相較于其他系統(tǒng),NaturalSpeech3的平均MCD顯著降低,表現(xiàn)出更好的語音合成效果。
值得注意的是,由于該模型能夠以高度相似的說話者模仿真實(shí)語音,存在潛在的濫用風(fēng)險(xiǎn),例如欺騙語音識別或冒充特定說話者。因此,在實(shí)驗(yàn)中,假定用戶同意成為語音合成的目標(biāo)說話者。為了防止濫用,研究者呼吁開發(fā)強(qiáng)大的合成語音檢測模型,并建立一個(gè)系統(tǒng),讓個(gè)體報(bào)告任何疑似濫用行為。這一研究符合微軟的負(fù)責(zé)任AI原則。
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)。
近日,德國柏林國際電子消費(fèi)品展覽會(IFA2024)隆重舉辦。憑借在核心技術(shù)、產(chǎn)品設(shè)計(jì)及應(yīng)用方面的創(chuàng)新變革,全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)成功斬獲兩項(xiàng)“IFA全球產(chǎn)品設(shè)計(jì)創(chuàng)新大獎(jiǎng)”金獎(jiǎng),有力證明了其在全球市場的強(qiáng)大影響力。
近日,中國家電及消費(fèi)電子博覽會(AWE 2024)隆重開幕。全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)攜多款創(chuàng)新技術(shù)和新品亮相,以敢為精神勇闖技術(shù)無人區(qū),斬獲四項(xiàng)AWE 2024艾普蘭大獎(jiǎng)。
“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。
由世界人工智能大會組委會、上海市經(jīng)信委、徐匯區(qū)政府、臨港新片區(qū)管委會共同指導(dǎo),由上海市人工智能行業(yè)協(xié)會聯(lián)合上海人工智能實(shí)驗(yàn)室、上海臨港經(jīng)濟(jì)發(fā)展(集團(tuán))有限公司、開放原子開源基金會主辦的“2024全球開發(fā)者先鋒大會”,將于2024年3月23日至24日舉辦。