机器之心专栏

机器之心编辑部

如今的 AI 技术发展堪称「神奇」，文字、图片竟能一键直接生成逼真音效，这就是浙大、北大联合火山语音推出的新模型 Make-An-Audio。

近期 AIGC 如同上了热搜一般展示道具，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展示道具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。为了解决上述困难，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。其可以展示道具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/2展示道具301.12661

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展示道具 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、短展示道具视频制作的未来。

图 3：网友评论 2

图 4：网友评论 3

更有网友发出这样的感叹：「audio is all you need ……」

图 5：网友评论 4

听觉效果展示

话不多说直接看效果，根据文本生成音效展示道具原来也可以如此便捷顺畅。

文本 1：a speedboat running as wind blows into a microphone

文本 2：fireworks pop and explode

是不展示道具是也一度因破损音频修复而大伤脑筋？Make-An-Audio 模型一出，这事儿就变得简单多了。

修复前

修复前音频

修复后

修复后音频

通过理解图片生成音效，也不是不可以。

图片 1

转化音频

图片 2

转化音频

根据视展示道具频内容生成对应音效，这款模型也可以轻松做到。

视频 1

转化音频

视频 2

转化音频

模型内在技术原理

深度解析「网红」模型的神奇内在，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展示道具队协同两大高校共同提出了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，展示道具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展示道具作为音频的描述。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，团队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，以扩增展示道具模型对不同事件组合的鲁棒性。」  研究团队表示。

图 6：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展示道具频序列问题，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 7：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展示道具略，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展示道具算友好性。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，展示了模展示道具型出色的零样本学习 ( Zero-Shot ) 泛化性等。

图 8：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 模型实现了高质展示道具量、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展示道具/video ) 。

图 9：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 展示道具以 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 10：Make-An-Audio 视觉 - 音频合成框架图

可以预见的是，音频合成 AIGC 将会在未展示道具来电影配音、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、音效展示道具。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，Make-An-Audio 在技展示道具术上被定位是 " 辅助艺术家生成 "，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，包括音频理解展示道具、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。目前其语音识别展示道具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展示道具景，通过火山引擎开放给外部企业。

©  THE END  

投稿或寻求报道：content@jiqizhixin.com