圖像生成模型卷起來了！視頻生成模型卷起來了！

下一個，便是音頻生成模型。

近日，谷歌研究團(tuán)隊推出了一種語音生成的AI模型——AudioLM。

只需幾秒音頻提示，它不僅可以生成高質(zhì)量，連貫的語音，還可以生成鋼琴音樂。

論文地址：https://arxiv.org/pdf/2209.03143.pdf

AudioLM是一個具有長期一致性的高質(zhì)量音頻生成框架，將輸入的音頻映射為一串離散的標(biāo)記，并將音頻生成任務(wù)轉(zhuǎn)化為語言建模任務(wù)。

現(xiàn)有的音頻標(biāo)記器在音頻生成質(zhì)量和穩(wěn)定的長期結(jié)構(gòu)之間必須做出權(quán)衡，無法兼顧。

為了解決這個矛盾，谷歌采用「混合標(biāo)記化」方案，利用預(yù)訓(xùn)練好的掩膜語言模型的離散化激活，并利用神經(jīng)音頻編解碼器產(chǎn)生的離散代碼來實現(xiàn)高質(zhì)量的合成。

AudioLM模型可以基于簡短的提示，學(xué)習(xí)生成自然和連貫的連續(xù)詞，當(dāng)對語音進(jìn)行訓(xùn)練時，在沒有任何記錄或注釋的情況下，生成了語法上通順、語義上合理的連續(xù)語音，同時保持說話人的身份和語調(diào)。

除了語音之外，AudioLM還能生成連貫的鋼琴音樂，甚至不需要在任何音樂符號來進(jìn)行訓(xùn)練。

從文本到鋼琴曲：兩大問題

近年來，在海量的文本語料庫中訓(xùn)練出來的語言模型已經(jīng)顯示出其卓越的生成能力，實現(xiàn)了開放式對話、機(jī)器翻譯，甚至常識推理，還能對文本以外的其他信號進(jìn)行建模，比如自然圖像。

AudioLM的思路是，利用語言建模方面的這些進(jìn)展來生成音頻，而無需在注釋數(shù)據(jù)上進(jìn)行訓(xùn)練。

不過這需要面對兩個問題。

首先，音頻的數(shù)據(jù)率要高得多，單元序列也更長。比如一個句子包含幾十個字符表示，但轉(zhuǎn)換成音頻波形后，一般要包含數(shù)十萬個值。

另外，文本和音頻之間存在著一對多的關(guān)系。同一個句子可以由不同的說話人以不同的風(fēng)格、情感內(nèi)容和環(huán)境來呈現(xiàn)。

為了克服這兩個挑戰(zhàn)，AudioLM利用了兩種音頻標(biāo)記。

首先，語義標(biāo)記是從w2v-BERT這個自監(jiān)督的音頻模型中提取的。

這些標(biāo)記既能捕捉到局部的依賴關(guān)系（如語音中的語音，鋼琴音樂中的局部旋律），又能捕捉到全局的長期結(jié)構(gòu)（如語音中的語言句法和語義內(nèi)容，鋼琴音樂中的和聲和節(jié)奏），同時對音頻信號進(jìn)行大量的降采樣，以便對長序列進(jìn)行建模。

不過，從這些token中重建的音頻的保真度不高。

為了提高音質(zhì)，除了語義標(biāo)記外，AudioLM還利用了SoundStream神經(jīng)編解碼器產(chǎn)生的聲學(xué)標(biāo)記，捕捉音頻波形的細(xì)節(jié)（如揚聲器特征或錄音條件），進(jìn)行高質(zhì)量的合成。

如何訓(xùn)練？

AudioLM是一個純音頻模型，在沒有任何文本或音樂的符號表示下進(jìn)行訓(xùn)練。

它通過鏈接多個Transformer模型（每個階段一個）從語義標(biāo)記到精細(xì)的聲學(xué)標(biāo)記對音頻序列進(jìn)行分層建模。

每個階段都會根據(jù)上次的標(biāo)記為下一個標(biāo)記預(yù)測進(jìn)行訓(xùn)練，就像訓(xùn)練一個語言模型一樣。

第一階段在語義標(biāo)記上執(zhí)行此任務(wù)，以對音頻序列的高級結(jié)構(gòu)進(jìn)行建模。

到了第二階段，通過將整個語義標(biāo)記序列與過去的粗聲標(biāo)記連接起來，并將兩者作為條件反饋給粗聲模型，然后預(yù)測未來的標(biāo)記。

這個步驟模擬了聲學(xué)特性，例如說話者特性或音樂中的音色。

在第三階段，使用精細(xì)的聲學(xué)模型來處理粗糙的聲學(xué)信號，從而為最終的音頻增加了更多的細(xì)節(jié)。

最后，將聲學(xué)標(biāo)記輸入SoundStream解碼器以重建波形。

訓(xùn)練完成后，可以在幾秒鐘音頻上調(diào)整AudioLM，這能夠讓其生成連續(xù)性的音頻。

為了展示AudioLM的普遍適用性，研究人員通過在不同音頻領(lǐng)域的2個任務(wù)對其進(jìn)行檢驗。

一是Speech continuation，該模型保留提示的說話人特征、韻律，同時還能輸出語法正確且語義一致的新內(nèi)容。

二是Piano continuation，該模型會生成在旋律、和聲和節(jié)奏方面與提示一致的鋼琴音樂。

如下所示，你聽到的所有灰色垂直線之后的聲音都是由AudioLM生成的。

為了驗證效果如何，研究人員讓人類評分者去聽簡短的音頻片段，去判斷是人類語音的原始錄音還是由 AudioLM生成的錄音。

根據(jù)收集到的評分，可以看到AudioLM有51.2%的成功率，意味著這一AI模型生成的語音對于普通聽眾來說很難與真正的語音區(qū)分開來。

在東北大學(xué)研究信息和語言科學(xué)的Rupal Patel表示，之前使用人工智能生成音頻的工作，只有在訓(xùn)練數(shù)據(jù)中明確注釋這些細(xì)微差別，才能捕捉到這些差別。

相比之下，AudioLM從輸入數(shù)據(jù)中自動學(xué)習(xí)這些特征，同樣達(dá)到了高保真效果。

隨著 GPT3 和 Bloom（文本生成）、 DALLE和Stable Diffusion（圖像生成）、RunwayML和Make-A-Video（視頻生成）等多模態(tài) ML 模型的出現(xiàn)，關(guān)于內(nèi)容創(chuàng)建和創(chuàng)意工作正在發(fā)生變化。

未來的世界，便是人工智能生成的世界。

參考資料：

??https://www.technologyreview.com/2022/10/07/1060897/ai-audio-generation/??

??https://arxiv.org/pdf/2209.03143.pdf??

??https://ai.googleblog.com/2022/10/audiolm-language-modeling-approach-to.html??

??https://google-research.github.io/seanet/audiolm/examples/??