Meta 發(fā)布語音生成 AI 模型 Voicebox

【資料圖】

近日，Meta AI 宣布在生成式 AI 語音模型領(lǐng)域取得了突破：開發(fā)出了首個(gè)可泛化至多種語音生成任務(wù)的模型 Voicebox，無需專門訓(xùn)練即可達(dá)成頂尖性能表現(xiàn)。Meta AI 研究人員分享了多段音頻樣本和一篇研究論文，其中詳細(xì)介紹了他們采用的方法和取得的成果。

與圖像及文本類生成系統(tǒng)一樣，Voicebox 能夠創(chuàng)建多種樣式的輸出，包括從零開始創(chuàng)建輸出、修改給定樣本等。但與以往不同的是，Voicebox 并非簡單創(chuàng)建圖片或一段文字，而是直接生成高質(zhì)量的音頻片段。該模型能夠?yàn)槔ㄓ⒄Z、法語、西班牙語、德語、波蘭語和葡萄牙語在內(nèi)的六種語言合成語音，同時(shí)執(zhí)行噪聲去除、內(nèi)容編輯、風(fēng)格轉(zhuǎn)換和多樣化樣本生成等任務(wù)。

在 Voicebox 出現(xiàn)之前，生成式 AI 語音模型需要配合精心準(zhǔn)備的訓(xùn)練數(shù)據(jù)，就各項(xiàng)任務(wù)接受特定訓(xùn)練。Voicebox 使用一種新的方法，可直接從原始音頻和隨附的轉(zhuǎn)錄結(jié)果中學(xué)習(xí)。與只能根據(jù)給定音頻片段續(xù)寫結(jié)尾的自回歸模型不同，Voicebox 能夠修改給定樣本中的任意部分。

據(jù)了解，Voicebox 能夠出色執(zhí)行各種任務(wù)，具體包括：

結(jié)合上下文的文本到語音合成：使用長度僅為兩秒的輸入音頻樣本，Voicebox 即可匹配樣本的音頻風(fēng)格并據(jù)此進(jìn)行文本到語音生成。后續(xù)項(xiàng)目有望為無法說話的人士提供語音支持，或者為游戲 NPC 及虛擬助手快速生成對(duì)話語音。

跨語言風(fēng)格轉(zhuǎn)換：給定一段語音樣本，外加一段英語、法語、德語、西班牙語、波蘭語或葡萄牙語的文本，Voicebox 即可生成對(duì)應(yīng)的朗讀音頻。這種能力訟人興奮，未來可以幫助使用不同母語的人們通過自然且真實(shí)的方式開展交流。

語音降噪與編輯：Voicebox 的上下文學(xué)習(xí)為其賦予了強(qiáng)大的語音生成能力，可無縫編輯音頻中的片段。它能重新合成被暫時(shí)噪聲干擾的語音部分，或者替換掉說錯(cuò)的詞，而無需重新錄制整段語音。用戶可以找到語音中被噪聲(如狗叫聲)干擾的原始片段，剪切出來并指示模型重新生成。有朝一日，這種能力還可用于清洗和編輯音頻，且使用過程與目前流行的圖像編輯工具一樣輕松便捷。

多樣化語音采樣：利用多樣化的真實(shí)數(shù)據(jù)完成學(xué)習(xí)后，Voicebox 將可生成與人們的現(xiàn)實(shí)對(duì)話高度吻合的以上六種語言對(duì)話音頻。未來，此功能可用于生成合成數(shù)據(jù)，協(xié)助提升語音助手模型的訓(xùn)練效果。研究結(jié)果表明，基于 Voicebox 生成的合成語音訓(xùn)練出的語音識(shí)別模型，在性能上幾乎與使用真實(shí)語音的模型相當(dāng)，錯(cuò)誤率降低了 1%;與以往同類文本到語音模型相比，合成語音數(shù)據(jù)訓(xùn)練結(jié)果的錯(cuò)誤率更是大幅降低 45%至 70%。

Voicebox 的誕生，標(biāo)志著生成式 AI 研究又向前邁出了重要一步。在文本、圖像和視頻生成等方面，具備任務(wù)泛化能力的可擴(kuò)展生成式 AI 模型已經(jīng)激發(fā)了人們對(duì)于跨任務(wù)潛在應(yīng)用的濃厚興趣。Meta AI 希望音頻領(lǐng)域未來也能掀起同樣的潮流，同時(shí)繼續(xù)保持深耕和探索，關(guān)注其他研究人員如何在 Voicebox 的基礎(chǔ)之上尋求新的突破。

Voicebox 背后的 Flow Matching 技術(shù)

現(xiàn)有語音合成工具的主要局限之一，在于只能就專門的任務(wù)配合準(zhǔn)備好的數(shù)據(jù)接受訓(xùn)練。這些單調(diào)而干凈的輸入數(shù)據(jù)相對(duì)有限且難以收集，因此也導(dǎo)致輸出結(jié)果變得同樣單調(diào)。

Meta AI 的研究人員基于“流匹配”(Flow Matching)技術(shù)構(gòu)建了 Voicebox，這項(xiàng)技術(shù)是 Meta 在非自回歸生成模型領(lǐng)域的最新進(jìn)展，能夠掌握文本到語音之間高度不確定的映射。非確定性映射非常重要，它使得 Voicebox 能夠從不同的語音數(shù)據(jù)中學(xué)習(xí)，且無需對(duì)各種變化要素做詳盡標(biāo)注。也就是說，Voicebox 能夠在多樣性更強(qiáng)、規(guī)模更大的數(shù)據(jù)之上進(jìn)行訓(xùn)練。

與當(dāng)前最先進(jìn)的英語模型 VALL-E 相比，Voicebox 在可懂度(即單詞錯(cuò)誤率，前者為 5.9%，Voicebox 為 1.9%)和音頻相似度(0.580 對(duì) 0.681)方面均更加強(qiáng)大，且速度要快 20 倍。在跨語言風(fēng)格遷移方面，Voicebox 也優(yōu)于領(lǐng)先模型 YourTTS，能夠?qū)⑵骄鶈卧~錯(cuò)誤率從 10.9%降低至 5.2%，并將音頻相似度從 0.335 提高至 0.481。

Voicebox取得新的先進(jìn)結(jié)果，在單詞錯(cuò)誤率方面優(yōu)于Vall-E和YourTTS。

Voicebox還分別在英語和多語言基準(zhǔn)測(cè)試中的音頻風(fēng)格相似性方面，達(dá)成了新的頂尖成績。

研究人員使用超過 5 萬小時(shí)的語音錄音，和來自英語、法語、西班牙語、德語、波蘭語和葡萄牙語的公共有聲讀物轉(zhuǎn)錄對(duì) Voicebox 進(jìn)行訓(xùn)練。經(jīng)過訓(xùn)練后，Voicebox 能夠在給定前后語音和片段轉(zhuǎn)錄數(shù)據(jù)時(shí)預(yù)測(cè)出語音片段。它還能學(xué)會(huì)根據(jù)上下文補(bǔ)全語音，從而被應(yīng)用于其他語音生成任務(wù)，包括在無需重建整個(gè)輸入的前提下生成音頻的中間部分。

“AI 孫燕姿”爆火后，再看語音生成濫用風(fēng)險(xiǎn)

Voicebox 擁有眾多令人興奮的用例，但 Meta 也承認(rèn)其存在潛在的濫用風(fēng)險(xiǎn)，所以 Meta AI 的研究人員決定暫不公開 Voicebox 模型或代碼。Meta 在社交平臺(tái)上公開表示：“與其他強(qiáng)大的人工智能創(chuàng)新技術(shù)一樣，我們認(rèn)為這項(xiàng)技術(shù)也可能會(huì)被濫用，造成意外傷害。”

事實(shí)上，語音生成引發(fā)的濫用風(fēng)險(xiǎn)并不少見。以華語樂壇最近爆火的“AI 孫燕姿”為例，AI 讓孫燕姿翻紅的同時(shí)，也讓背后的風(fēng)險(xiǎn)顯露出來。一方面，AI 合成聲音可能涉及侵權(quán)問題，另一方面，也可能帶來一系列倫理和法律的風(fēng)險(xiǎn)。

我國《民法典》第 1023 條第二款規(guī)定，對(duì)自然人聲音的保護(hù)，參照適用肖像權(quán)保護(hù)的有關(guān)規(guī)定。第 1019 條第一款規(guī)定，任何組織或者個(gè)人不得以丑化、污損，或者利用信息技術(shù)手段偽造等方式侵害他人的肖像權(quán)。未經(jīng)肖像權(quán)人同意，不得制作、使用、公開肖像權(quán)人的肖像。由此可見，比照對(duì)肖像的人格權(quán)保護(hù)，未經(jīng)權(quán)利人的同意，也不得制作、使用、公開利用權(quán)利人的聲音。

此外，語音生成也會(huì)成為電信詐騙的利器。前段時(shí)間，美國和加拿大各地使用 AI 合成語音進(jìn)行電信詐騙的案例多發(fā)，不少老年上當(dāng)受騙。加拿大警方稱，最近加拿大各地都有不少類似案件發(fā)生，涉案金額已達(dá)數(shù)百萬加元。有受害者表示，犯罪分子使用的聲音和她兒子的聲音簡直一模一樣。在美國，類似的詐騙案件近期也呈上升趨勢(shì)。

作為首個(gè)能夠成功執(zhí)行任務(wù)的多功能、高效泛化模型，Meta AI 堅(jiān)信 Voicebox 即將開創(chuàng)生成式 AI 語音模型的新時(shí)代，但與其他強(qiáng)大的 AI 創(chuàng)新成果一樣，這項(xiàng)技術(shù)同樣可能因誤用引發(fā)意外危害。對(duì)于語音生成帶來的濫用風(fēng)險(xiǎn)，Meta 也想好了對(duì)策——構(gòu)建一款高效分類器，用以區(qū)分由 Voicebox 生成的音頻和真實(shí)語音，借此緩解未來可能出現(xiàn)的種種風(fēng)險(xiǎn)。

在論文(https://research.facebook.com/publications/voicebox-text-guided-multilingual-universal-speech-generation-at-scale/)中，Meta AI 研究人員還具體講解了如何構(gòu)建一款高效分類器，用以區(qū)分真實(shí)語音和 Voicebox 生成的音頻。

參考鏈接：

https://ai.facebook.com/blog/voicebox-generative-ai-model-speech/

http://www.xinhuanet.com/ent/20230620/85f213fc8b914b7a9ea17addc3cec01e/c.html

本文轉(zhuǎn)載來源：

https://www.infoq.cn/news/YF1LRfH3Ttt7eZ0mBPjQ

關(guān)鍵詞：