只需 3 秒鐘，一個(gè)根本沒(méi)聽(tīng)過(guò)你說(shuō)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(yǔ)音合成模型 VALL·E，只需 3 秒語(yǔ)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(yǔ)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(lái)，效果簡(jiǎn)直爆炸：

看來(lái)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(méi)聽(tīng)過(guò)”的聲音？

用語(yǔ)言模型來(lái)分析音頻

基于 AI“沒(méi)聽(tīng)過(guò)”的聲音合成語(yǔ)音，即零樣本學(xué)習(xí)。

語(yǔ)音合成趨于成熟，但之前零樣本語(yǔ)音合成效果并不好。

主流語(yǔ)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(chǎng)景下，會(huì)導(dǎo)致生成語(yǔ)音相似度和自然度很差。

基于此，VALL?E 橫空出世，相比主流語(yǔ)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(yǔ)音合成當(dāng)成了語(yǔ)言模型的任務(wù)，前者是連續(xù)的，后者是離散化的。

具體來(lái)說(shuō)，傳統(tǒng)語(yǔ)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(shuō)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(tīng)起來(lái)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(yǔ)音合成，同時(shí)還支持語(yǔ)音編輯、與 GPT-3 結(jié)合的語(yǔ)音內(nèi)容創(chuàng)建。

那么在實(shí)際測(cè)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(yǔ)音效果來(lái)看，VALL?E 能還原的絕不僅僅是說(shuō)話人的音色。

不僅語(yǔ)氣模仿到位，而且還支持多種不同語(yǔ)速的選擇，例如這是在兩次說(shuō)同一句話時(shí)，VALL?E 給出的兩種不同語(yǔ)速，但音色相似度仍然較高：

同時(shí)，連說(shuō)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(shuō)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(wàn)小時(shí)的音頻訓(xùn)練，在只用了 7000 多名演講者、6 萬(wàn)小時(shí)訓(xùn)練的情況下，VALL?E 就在語(yǔ)音合成相似度上超過(guò)了經(jīng)過(guò)預(yù)訓(xùn)練的語(yǔ)音合成模型 YourTTS。

而且，YourTTS 在訓(xùn)練時(shí)，事先已經(jīng)聽(tīng)過(guò) 108 個(gè)演講者中的 97 人聲音，但在實(shí)際測(cè)試中還是比不過(guò) 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(duì)話，也可以在自己不想說(shuō)話時(shí)用它代替自己發(fā)語(yǔ)音。

當(dāng)然，還可以用在有聲書的錄制上。

不過(guò)，VALL?E 目前還沒(méi)開(kāi)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(lái)自微軟，其中有三位共同一作。

一作 Chengyi Wang，南開(kāi)大學(xué)和微軟亞研院聯(lián)合培養(yǎng)博士生，研究興趣是語(yǔ)音識(shí)別、語(yǔ)音翻譯和語(yǔ)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(yǔ)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(yǔ)音處理、聊天機(jī)器人系統(tǒng)和機(jī)器翻譯等。

論文地址：

https://arxiv.org/abs/2301.02111

音頻試聽(tīng)地址：

https://valle-demo.github.io/

參考鏈接：

• https://twitter.com/DrJimFan/status/1611397525541617665

本文來(lái)自微信公眾號(hào)：量子位 （ID：QbitAI），作者：蕭簫

總結(jié)

以上是生活随笔為你收集整理的3 秒复制任何人的嗓音，微软音频版 DALL・E 细思极恐，连环境背景音也能模仿的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。