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(duì)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。
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(hào)：量子位 （ID：QbitAI），作者：蕭簫
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。