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。

(資料圖片)

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(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里聊天的日子不遠了。

還有網(wǎng)友調(diào)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(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(zé)捕捉音頻內(nèi)容和說話者身份特征，后幾個量化器則負責(zé)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(jié)合的語音內(nèi)容創(chuàng)建。

那么在實際測試中，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，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(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68萬小時的音頻訓(xùn)練，在只用了7000多名演講者、6萬小時訓(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，事先已經(jīng)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(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話，也可以在自己不想說話時用它代替自己發(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、聊天機器人系統(tǒng)和機器翻譯等。

關(guān)鍵詞： vall 語音合成 vall·e dall