圖片竟能直接生成逼真音效?這AI模型也太神奇了吧!

導(dǎo)讀:如今的AI技術(shù)發(fā)展堪稱“very神奇”,文字、圖片竟能一鍵直接生成逼真音效,嗯,妥妥都是因?yàn)門A,一款在語音音頻領(lǐng)域“橫空出世”的新模型:Make-An-Audio。

近期AIGC如同“上了熱搜”一般,火熱程度居高不下,當(dāng)然除了名頭格外響亮,突破也是絕對斐然:輸入自然語言就可自動(dòng)生成圖像、視頻甚至是3D模型,你說意不意外?

但在音頻音效的領(lǐng)域,AIGC的“福利”似乎還差了一些。主要由于高自由度音頻生成需要依靠大量文本-音頻對數(shù)據(jù),同時(shí)長時(shí)波形建模還有諸多困難。為了解決上述疑難,浙江大學(xué)與北京大學(xué)聯(lián)合火山語音,共同提出了一款創(chuàng)新的、文本到音頻的生成系統(tǒng),即Make-An-Audio。TA可以將自然語言描述作為輸入,而且是任意模態(tài)(例如文本、音頻、圖像、視頻等)均可,同時(shí)輸出符合描述的音頻音效,廣大網(wǎng)友很難不為其可控性以及泛化性點(diǎn)贊。

AIGC.png

論文鏈接:
https://arxiv.org/abs/2301.12661

項(xiàng)目鏈接:
https://text-to-audio.github.io

短短兩天,Demo視頻在Twitter上獲得了45K的播放量。

研究團(tuán)隊(duì)公布的演示視頻.jpg

圖1:研究團(tuán)隊(duì)公布的演示視頻

2023年除夕后,以“Make-An-Audio”、 MusicLM等大量音頻合成文章涌現(xiàn),48小時(shí)內(nèi)已經(jīng)有4篇突破性的進(jìn)展。

網(wǎng)友評論1.jpg

圖2:網(wǎng)友評論1

廣大網(wǎng)友們紛紛表示,AIGC音效合成將會改變電影、短視頻制作的未來。

網(wǎng)友評論2.png

圖3:網(wǎng)友評論2

網(wǎng)友評論3.jpg

圖4:網(wǎng)友評論3

更有群眾發(fā)出這樣的感嘆:“audio is all you need……”

網(wǎng)友評論4.jpg

圖5:網(wǎng)友評論4

這樣的聽覺效果,難道你不愛嗎?

研究團(tuán)隊(duì)已公布部分音頻生成結(jié)果在工作的主頁上:
https://text-to-audio.github.io,該模型除了可以一鍵生成大片音效以外,還可以做音頻修復(fù)、圖片生成音頻以及視頻配音等多種任務(wù)。

音頻修復(fù)(前).png

圖6:音頻修復(fù)(前)

音頻修復(fù)(后).png

圖6:音頻修復(fù)(后)

圖片轉(zhuǎn)音頻樣例輸入.jpg

圖7:圖片轉(zhuǎn)音頻樣例輸入

視頻轉(zhuǎn)音頻樣例輸入.gif

圖7:視頻轉(zhuǎn)音頻樣例輸入

這款“網(wǎng)紅”模型的內(nèi)在技術(shù)原理究竟是?

深度解析“網(wǎng)紅”模型的神奇內(nèi)在,我們還要回到音頻-自然語言對數(shù)據(jù)稀少的客觀問題上,對此浙大北大聯(lián)合火山語音團(tuán)隊(duì)共同提出了Distill-then-Reprogram文本增強(qiáng)策略,即使用教師模型獲得音頻的自然語言描述,再通過隨機(jī)重組獲得具有動(dòng)態(tài)性的訓(xùn)練樣本。

具體來說,在Distill環(huán)節(jié)中,使用音頻轉(zhuǎn)文本與音頻-文本檢索模型,找到語言缺失(Language-Free)音頻的自然語言描述候選(Candidate),通過計(jì)算候選文本與音頻的匹配相似度,在閾值下取得最佳結(jié)果作為音頻的描述。該方法具有強(qiáng)泛化性,且真實(shí)自然語言避免了測試階段的域外文本。“在Reprogram環(huán)節(jié)中,我們從額外的事件數(shù)據(jù)集中隨機(jī)采樣,并與當(dāng)前訓(xùn)練樣本相結(jié)合,得到全新的概念組合與描述,以擴(kuò)增模型對不同事件組合的魯棒性。”研究團(tuán)隊(duì)表示。

Distill-then-Reprogram文本增強(qiáng)策略框架圖.png

圖8:Distill-then-Reprogram文本增強(qiáng)策略框架圖

如上圖所示,自監(jiān)督學(xué)習(xí)已經(jīng)成功將圖片遷移到音頻頻譜,利用了頻譜自編碼器以解決長音頻序列問題,并基于Latent Diffusion生成模型完成對自監(jiān)督表征的預(yù)測,避免了直接預(yù)測長時(shí)波形。

Make-An-Audio模型系統(tǒng)框架圖.png

圖9:Make-An-Audio模型系統(tǒng)框架圖

此外在研究中團(tuán)隊(duì)還探索了強(qiáng)大的文本條件策略,包括對比式Contrastive Language-Audio Pretraining (CLAP)以及語言模型(LLM) T5, BERT等,驗(yàn)證了CLAP文本表征的有效與計(jì)算友好性。同時(shí)還首次使用CLAP Score來評估生成的音頻,可以用于衡量文本和生成場景之間的一致性;使用主、客觀相結(jié)合的評估方式,在benchmark數(shù)據(jù)集測試中驗(yàn)證了模型的有效性,展示了模型出色的零次樣本學(xué)習(xí)(Zero-Shot)泛化性等。

Make-An-Audio與基線模型主客觀評測實(shí)驗(yàn)結(jié)果.png

圖10:Make-An-Audio與基線模型主客觀評測實(shí)驗(yàn)結(jié)果

神奇模型的應(yīng)用前景知多少?

總體來看,Make-An-Audio模型實(shí)現(xiàn)了高質(zhì)量、高可控性的音頻合成,并提出了“No Modality Left Behind”,對文本條件音頻模型進(jìn)行微調(diào)(finetune),即能解鎖對任意模態(tài)輸入的音頻合成(audio/image/video)。

Make-An-Audio首次實(shí)現(xiàn)高可控X-音頻的AIGC合成.jpg

圖11:Make-An-Audio首次實(shí)現(xiàn)高可控X-音頻的AIGC合成,X可以是文本/音頻/圖像/視頻

在視覺指導(dǎo)的音頻合成上,Make-An-Audio以CLIP文本編碼器為條件,利用其圖像-文本聯(lián)合空間,能夠直接以圖像編碼為條件合成音頻。

Make-An-Audio視覺-音頻合成框架圖.jpg

圖12:Make-An-Audio視覺-音頻合成框架圖

可以預(yù)見的是,音頻合成AIGC將會在未來電影配音、短視頻創(chuàng)作等領(lǐng)域發(fā)揮重要作用,而借助Make-An-Audio等模型,或許在未來人人都有可能成為專業(yè)的音效師,都可以憑借文字、視頻、圖像在任意時(shí)間、任意地點(diǎn),合成出栩栩如生的音頻、音效。但現(xiàn)階段Make-An-Audio也并不是完美無缺的,可能由于豐富的數(shù)據(jù)來源以及不可避免的樣本質(zhì)量問題,訓(xùn)練過程中難免會產(chǎn)生副作用,例如生成不符合文字內(nèi)容的音頻或有害的音頻,所以哪怕Make-An-Audio在技術(shù)上被定位是“輔助藝術(shù)家生成”,但也可能出現(xiàn)創(chuàng)意內(nèi)容被濫用的潛在風(fēng)險(xiǎn),但可以肯定的一點(diǎn),AIGC領(lǐng)域的進(jìn)展確實(shí)令人驚喜。

火山語音,長期以來面向字節(jié)跳動(dòng)各大業(yè)務(wù)線提供全球優(yōu)勢的AI語音技術(shù)能力以及全棧語音產(chǎn)品解決方案,包括音頻理解、音頻合成、虛擬數(shù)字人、對話交互、音樂檢索、智能硬件等。自 2017 年成立以來,團(tuán)隊(duì)專注研發(fā)行業(yè)領(lǐng)先的 AI 智能語音技術(shù),不斷探索AI 與業(yè)務(wù)場景的高效結(jié)合,以實(shí)現(xiàn)更大的用戶價(jià)值。目前其語音識別和語音合成已經(jīng)覆蓋了多種語言和方言,多篇技術(shù)論文入選各類AI 頂級會議,為抖音、剪映、飛書、番茄小說、Pico等業(yè)務(wù)提供了領(lǐng)先的語音能力,并適用于短視頻、直播、視頻創(chuàng)作、辦公以及穿戴設(shè)備等多樣化場景,通過火山引擎開放給外部企業(yè)。

(免責(zé)聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請進(jìn)一步核實(shí),并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏,概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí),應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 )

贊助商
2023-02-10
圖片竟能直接生成逼真音效?這AI模型也太神奇了吧!
如今的AI技術(shù)發(fā)展堪稱“very神奇”,文字、圖片竟能一鍵直接生成逼真音效,嗯,妥妥都是因?yàn)門A,一款在語音音頻領(lǐng)域“橫空出世”的新模型:Make-An-Audio。

長按掃碼 閱讀全文