萧箫发自凹非寺
量子位公众号 QbitAI
只需 3 秒钟，一个根本没听过你说话的 AI，就能完美模仿出你的声音。
是不是细思极恐？
这是微软最新 AI 成果——语音合成模型 VALL·E，只需 3 秒语音，就能随意复制任何人的声音。
它脱胎于 DALL·E，但专攻音频领域，语音合成效果在网上放出后火了：
有网友表示，要是将 VALL·E和 ChatGPT 结合起来，效果简直爆炸：看来与 GPT-4 在 Zoom 里聊天的日子不远了。
还有网友调侃，（继 AI 搞定作家、画家之后）下一个就是配音演员了。
所以 VALL·E究竟怎么做到 3 秒钟模仿“没听过”的声音？
用语言模型来分析音频
基于 AI“没听过”的声音合成语音，即零样本学习。
语音合成趋于成熟，但之前零样本语音合成效果并不好。
主流语音合成方案基本是预训练+微调模式，如果用到零样本场景下，会导致生成语音相似度和自然度很差。
基于此，VALL·E横空出世，相比主流语音模型提出了不太一样的思路。
相比传统模型采用梅尔频谱提取特征，VALL·E直接将语音合成当成了语言模型的任务，前者是连续的，后者是离散化的。
具体来说，传统语音合成流程往往是“音素→梅尔频谱（mel-spectrogram）→波形”这样的路子。
但 VALL·E将这一流程变成了“音素→离散音频编码→波形”：
具体到模型设计上，VALL·E也和 VQVAE 类似，将音频量化成一系列离散 tokens，其中第一个量化器负责捕捉音频内容和说话者身份特征，后几个量化器则负责细化信号，使之听起来更自然：
随后以文本和 3 秒钟的声音提示作为条件，自回归地输出离散音频编码：
VALL·E还是个全能选手，除了零样本语音合成，同时还支持语音编辑、与 GPT-3 结合的语音内容创建。
那么在实际测试中，VALL·E的效果如何呢？
连环境背景音都能还原
根据已合成的语音效果来看，VALL·E能还原的绝不仅仅是说话人的音色。
不仅语气模仿到位，而且还支持多种不同语速的选择，例如这是在两次说同一句话时，VALL·E给出的两种不同语速，但音色相似度仍然较高：
同时，连说话者的环境背景音也能准确还原。
除此之外，VALL·E还能模仿说话者的多种情绪，包括愤怒、困倦、中立、愉悦和恶心等好几种类型。
值得一提的是，VALL·E训练用的数据集不算特别大。
相比 OpenAI 的 Whisper 用了 68 万小时的音频训练，在只用了 7000 多名演讲者、6 万小时训练的情况下，VALL·E就在语音合成相似度上超过了经过预训练的语音合成模型 YourTTS。
而且，YourTTS 在训练时，事先已经听过 108 个演讲者中的 97 人声音，但在实际测试中还是比不过 VALL·E。
有网友已经在畅想它可以应用的地方了：
不仅可以用在模仿自己的声音上，例如帮助残障人士和别人完成对话，也可以在自己不想说话时用它代替自己发语音。
当然，还可以用在有声书的录制上。
不过，VALL·E目前还没开源，要想试用可能还得再等等。
作者介绍
这篇论文所有作者均来自微软，其中有三位共同一作。
一作 Chengyi Wang，南开大学和微软亚研院联合培养博士生，研究兴趣是语音识别、语音翻译和语音预训练模型等。
共同一作 Sanyuan Chen，哈工大和微软亚研院联合培养博士生，研究方向包括自监督学习、NLP 和语音处理等。
共同一作 Yu Wu，微软亚研院 NLP 小组研究员，在北航获得博士学位，研究方向是语音处理、聊天机器人系统和机器翻译等。
感兴趣的小伙伴可以戳下方论文地址查看~
论文地址：
https://arxiv.org/abs/2301.02111
音频试听地址：
参考链接：
