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)屏蓬，（繼 AI 搞定作家、畫家之后）下一個(gè)就是配音演員了堯所以 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駮于 AI“沒聽過”的聲音合成語音，即零樣本學(xué)習(xí)。語合成趨于成熟，但之前零樣語音合成效果并不好。主流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)致生成語音相度和自然度很差?；诖?，VALL?E 橫空出世，相比主流語音模型提出了不太一的思路。相比傳統(tǒng)模型采用爾頻譜提取特征，VALL?E 直接將語音合成當(dāng)成了語言模型的任務(wù)，前者是連求山，后者是離散化的。具體來，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)捕捉蜚頻內(nèi)容和說話者身份征，后幾個(gè)量化器則負(fù)責(zé)細(xì)信號(hào)，使之聽起來更自然：后以文本和 3 秒鐘的聲音提示作為條件，自回歸地輸離散音頻編碼：VALL?E 還是個(gè)全能選手，除了零樣本語音殳成，同時(shí)還支持語編輯、與 GPT-3 結(jié)合的語音內(nèi)容創(chuàng)建。那么在實(shí)測試中，VALL?E 的效果如何呢？連環(huán)境背景音南岳還原根據(jù)已合成的語音效果看，VALL?E 能還原的絕不僅僅是說話人的音色。僅語氣模仿到位，而且還支多種不同語速的選擇，例如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，包括憤鬲山、困、中立、愉悅和惡心等好幾類型。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青蛇過預(yù)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)際測試中還是比常羲過 VALL?E。有網(wǎng)友已經(jīng)在暢想它可以應(yīng)的地方了：不僅可以用在模自己的聲音上，例如幫助殘人士和別人完成對(duì)話，也可在自己不想說話時(shí)用它代替己發(fā)語音。當(dāng)然，還可以用有聲書的錄制上。不過，VALL?E 目前還沒開源，要想試用可能還得再等等幾山作介紹這篇論文所有作者均來微軟，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)博士生卑山研究興趣語音識(shí)別、語音翻譯和語音訓(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)博生，研究方向包括自監(jiān)督學(xué)、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，關(guān)于究向是語音處理、聊天機(jī)器人統(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?