近期 AIGC 如同“上了热搜”一般,火热程度居高不下,当然除了名头格外响亮,突破也是绝对斐然:输入自然语言就可自动生成图像、视频甚至是 3D 模型,你说意不意外?

但在音频音效的领域,AIGC 的“福利”似乎还差了一些。主要由于高自由度音频生成需要依靠大量文本-音频对数据,同时长时波形建模还有诸多困难。为了解决上述疑难,浙江大学与北京大学联合火山语音,共同提出了一款创新的、文本到音频的生成系统,即 Make-An-Audio。TA 可以将自然语言描述作为输入,而且是任意模态(例如文本、音频、图像、视频等)均可,同时输出符合描述的音频音效,广大网友很难不为其可控性以及泛化性点赞。

论文链接:https://arxiv.org/abs/2301.12661

项目链接:https://text-to-audio.github.io

短短两天,Demo 视频在 Twitter 上获得了 45K 的播放量。

图 1:研究团队公布的演示视频

2023 年除夕后,以“Make-An-Audio”、 MusicLM 等大量音频合成文章涌现,48 小时内已经有 4 篇突破性的进展。

图 2:网友评论 1

广大网友们纷纷表示,AIGC 音效合成将会改变电影、短视频制作的未来。

图 3:网友评论 2

图 4:网友评论 3

更有群众发出这样的感叹:“audio is all you need……”

图 5:网友评论 4

这样的听觉效果,难道你不爱吗?

研究团队已公布部分音频生成结果在工作的主页上:https://text-to-audio.github.io,该模型除了可以一键生成大片音效以外,还可以做音频修复、图片生成音频以及视频配音等多种任务。

图 6:音频修复(前)

图 6:音频修复(后)

图 7:图片转音频样例输入

图 7:视频转音频样例输入

这款“网红”模型的内在技术原理究竟是?

深度解析“网红”模型的神奇内在,我们还要回到音频-自然语言对数据稀少的客观问题上,对此浙大北大联合火山语音团队共同提出了 Distill-then-Reprogram 文本增强策略,即使用教师模型获得音频的自然语言描述,再通过随机重组获得具有动态性的训练样本。

具体来说,在 Distill 环节中,使用音频转文本与音频-文本检索模型,找到语言缺失(Language-Free)音频的自然语言描述候选(Candidate),通过计算候选文本与音频的匹配相似度,在阈值下取得最佳结果作为音频的描述。该方法具有强泛化性,且真实自然语言避免了测试阶段的域外文本。“在 Reprogram 环节中,我们从额外的事件数据集中随机采样,并与当前训练样本相结合,得到全新的概念组合与描述,以扩增模型对不同事件组合的鲁棒性。”研究团队表示。

图 8:Distill-then-Reprogram 文本增强策略框架图

如上图所示,自监督学习已经成功将图片迁移到音频频谱,利用了频谱自编码器以解决长音频序列问题,并基于 Latent Diffusion 生成模型完成对自监督表征的预测,避免了直接预测长时波形。

图 9:Make-An-Audio 模型系统框架图

此外在研究中团队还探索了强大的文本条件策略,包括对比式 Contrastive Language-Audio Pretraining (CLAP)以及语言模型(LLM) T5, BERT 等,验证了 CLAP 文本表征的有效与计算友好性。同时还首次使用 CLAP Score 来评估生成的音频,可以用于衡量文本和生成场景之间的一致性;使用主、客观相结合的评估方式,在 benchmark 数据集测试中验证了模型的有效性,展示了模型出色的零次样本学习(Zero-Shot)泛化性等。

图 10:Make-An-Audio 与基线模型主客观评测实验结果

神奇模型的应用前景知多少?

总体来看,Make-An-Audio 模型实现了高质量、高可控性的音频合成,并提出了“No Modality Left Behind”,对文本条件音频模型进行微调(finetune),即能解锁对任意模态输入的音频合成(audio/image/video)。

图 11:Make-An-Audio 首次实现高可控 X-音频的 AIGC 合成,X 可以是文本/音频/图像/视频

在视觉指导的音频合成上,Make-An-Audio 以 CLIP 文本编码器为条件,利用其图像-文本联合空间,能够直接以图像编码为条件合成音频。

图 12:Make-An-Audio 视觉-音频合成框架图

可以预见的是,音频合成 AIGC 将会在未来电影配音、短视频创作等领域发挥重要作用,而借助 Make-An-Audio 等模型,或许在未来人人都有可能成为专业的音效师,都可以凭借文字、视频、图像在任意时间、任意地点,合成出栩栩如生的音频、音效。但现阶段 Make-An-Audio 也并不是完美无缺的,可能由于丰富的数据来源以及不可避免的样本质量问题,训练过程中难免会产生副作用,例如生成不符合文字内容的音频或有害的音频,所以哪怕 Make-An-Audio 在技术上被定位是“辅助艺术家生成”,但也可能出现创意内容被滥用的潜在风险,但可以肯定的一点,AIGC 领域的进展确实令人惊喜。

火山语音,长期以来面向字节跳动各大业务线提供全球优势的 AI 语音技术能力以及全栈语音产品解决方案,包括音频理解、音频合成、虚拟数字人、对话交互、音乐检索、智能硬件等。自 2017 年成立以来,团队专注研发行业领先的 AI 智能语音技术,不断探索 AI 与业务场景的高效结合,以实现更大的用户价值。目前其语音识别和语音合成已经覆盖了多种语言和方言,多篇技术论文入选各类 AI 顶级会议,为抖音、剪映、飞书、番茄小说、Pico 等业务提供了领先的语音能力,并适用于短视频、直播、视频创作、办公以及穿戴设备等多样化场景,通过火山引擎开放给外部企业。