只需 3 秒鐘，一個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，就能隨意復制任何人的聲音。

它脫胎于 DALL?E，但專攻音頻領域，語音合成效果在網上放出后火了：

有網友表示，要是將 VALL?E 和 ChatGPT 結合起來，效果簡直爆炸：

看來與 GPT-4 在 Zoom 里聊天的日子不遠了。

還有網友調侃，（繼 AI 搞定作家、畫家之后）下一個就是配音演員了。

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，即零樣本學習。

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訓練 + 微調模式，如果用到零樣本場景下，會導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。

相比傳統模型采用梅爾頻譜提取特征，VALL?E 直接將語音合成當成了語言模型的任務，前者是連續的，后者是離散化的。

具體來說，傳統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”：

具體到模型設計上，VALL?E 也和 VQVAE 類似，將音頻量化成一系列離散 tokens，其中第一個量化器負責捕捉音頻內容和說話者身份特征，后幾個量化器則負責細化信號，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 還是個全能選手，除了零樣本語音合成，同時還支持語音編輯、與 GPT-3 結合的語音內容創建。

那么在實際測試中，VALL?E 的效果如何呢？

連環境背景音都能還原

根據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，VALL?E 給出的兩種不同語速，但音色相似度仍然較高：

同時，連說話者的環境背景音也能準確還原。

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 訓練用的數據集不算特別大。

相比 OpenAI 的 Whisper 用了 68 萬小時的音頻訓練，在只用了 7000 多名演講者、6 萬小時訓練的情況下，VALL?E 就在語音合成相似度上超過了經過預訓練的語音合成模型 YourTTS。

而且，YourTTS 在訓練時，事先已經聽過 108 個演講者中的 97 人聲音，但在實際測試中還是比不過 VALL?E。

有網友已經在暢想它可以應用的地方了：

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用它代替自己發語音。

當然，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，南開大學和微軟亞研院聯合培養博士生，研究興趣是語音識別、語音翻譯和語音預訓練模型等。

共同一作 Sanyuan Chen，哈工大和微軟亞研院聯合培養博士生，研究方向包括自監督學習、NLP 和語音處理等。

共同一作 Yu Wu，微軟亞研院 NLP 小組研究員，在北航獲得博士學位，研究方向是語音處理、聊天機器人系統和機器翻譯等。

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

本文來自微信公眾號：量子位 （ID：QbitAI），作者：蕭簫

總結

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。