ऑडियोजेन टेक्स्ट-टू-ऑडियो संश्लेषण
AudioGen एक Meta मॉडल है जो पाठ विवरण को यथार्थवादी पर्यावरणीय ध्वनियों और ध्वनि प्रभावों में बदल देता है, जैसे 'कुत्ता भौंक रहा है जबकि पक्षी चहचहा रहे हैं।' यह मायने रखता है क्योंकि यह रचनाकारों को सामान्य भाषा से गैर-वाक् ऑडियो उत्पन्न करने की सुविधा देता है, जो कि जेनरेटिव एआई में लंबे समय से गायब है।
गहरा गोता
ऑडियोजेन, Meta AI द्वारा 2022 में जारी किया गया, एक ऑटोरेग्रेसिव भाषा मॉडल है जो सीधे टेक्स्ट प्रॉम्प्ट से सामान्य ऑडियो (ध्वनि प्रभाव, परिवेश दृश्य, पशु और वस्तु ध्वनि) उत्पन्न करता है। टेक्स्ट-टू-स्पीच सिस्टम के विपरीत, यह रोजमर्रा की ध्वनि की गन्दी दुनिया को लक्षित करता है। यह पहले न्यूरल कोडेक (अवशिष्ट वेक्टर परिमाणीकरण के साथ एक एनकोडेक-शैली ऑटोएनकोडर) का उपयोग करके असतत टोकन के अनुक्रम में कच्चे ऑडियो को संपीड़ित करता है। एक ट्रांसफॉर्मर भाषा मॉडल एक अलग टेक्स्ट एनकोडर द्वारा एन्कोड किए गए टेक्स्ट विवरण पर आधारित इन ऑडियो टोकन की भविष्यवाणी करना सीखता है। रचना संबंधी समझ को बेहतर बनाने के लिए, लेखकों ने प्रशिक्षण के दौरान ऑडियो नमूनों को मिश्रित और संयोजित किया ताकि मॉडल ओवरलैपिंग ध्वनियों जैसे संयोजन सीख सके। AudioGen बाद में MusicGen संगीत मॉडल के साथ Meta की AudioCraft लाइब्रेरी का हिस्सा बन गया।
तकनीकी अंतर्दृष्टि
AudioGen के दो चरण हैं। सबसे पहले, एक ऑडियो ऑटोएनकोडर तरंगों को अलग-अलग टोकन और बैक की एक कॉम्पैक्ट स्ट्रीम में मैप करना सीखता है। दूसरा, एक ट्रांसफॉर्मर को भाषा-मॉडलिंग उद्देश्य के साथ प्रशिक्षित किया जाता है ताकि पिछले टोकन और टेक्स्ट कंडीशनिंग को देखते हुए अगले ऑडियो टोकन की भविष्यवाणी की जा सके। क्लासिफायर-मुक्त मार्गदर्शन और मल्टी-स्ट्रीम कोडबुक मॉडलिंग निष्ठा और पाठ संरेखण में सुधार करते हैं। ऑडियो उत्पन्न करने का अर्थ है टोकन को स्वचालित रूप से नमूना लेना, फिर उन्हें कोडेक के साथ एक तरंग रूप में डिकोड करना।
सामरिक प्रभाव
पहुंच और पहुंच
यह प्रतिलेखन, कथन और ध्वनि इंटरफेस के माध्यम से पहुंच में सुधार करता है।
लागत और बजट
मीडिया टीमें छोटे बजट में बेहतर ऑडियो तेजी से भेज सकती हैं।
गति और पैमाना
ग्राहक-सामना करने वाली प्रणालियाँ बड़े पैमाने पर बोली जाने वाली बातचीत को संसाधित कर सकती हैं।
ऑडियोजेन टेक्स्ट-टू-ऑडियो सिंथेसिस का भविष्य
टेक्स्ट-टू-ऑडियो उच्च नमूना दरों, लंबे सुसंगत दृश्यों और ध्वनियों के समय और स्थानिक प्लेसमेंट पर सख्त नियंत्रण की ओर बढ़ रहा है। वीडियो टूल में एकीकरण की अपेक्षा करें जो स्वचालित रूप से मिलान किए गए ध्वनि प्रभाव जोड़ते हैं, एक्सेसिबिलिटी टूल जो दृश्यों का वर्णन श्रव्य रूप से करते हैं, और गेम इंजन जो मांग पर परिवेशी ऑडियो को संश्लेषित करते हैं। ऑडियोजेन-शैली टोकन मॉडल को प्रसार विधियों और मजबूत टेक्स्ट एन्कोडर्स के साथ संयोजित करने से यथार्थवाद में सुधार होना चाहिए, जबकि वॉटरमार्किंग और उद्गम उपकरण रिकॉर्ड की गई ध्वनि से सिंथेटिक को अलग करने में मदद करेंगे।
वास्तविक विश्व कार्यान्वयन
टेक्स्ट प्रॉम्प्ट से फिल्मों और गेम के लिए फ़ॉले और ध्वनि प्रभाव उत्पन्न करना
ऐप्स और ध्यान उपकरणों के लिए परिवेशीय ध्वनि परिदृश्य (बारिश, यातायात, जंगल) बनाना
स्टॉक लाइब्रेरीज़ को लाइसेंस दिए बिना वीडियो परियोजनाओं के लिए प्रोटोटाइप ऑडियो
सरल भाषा में वर्णित कस्टम अलर्ट और अधिसूचना ध्वनियाँ उत्पन्न करना
जोखिम और रेलिंग
सहमति के अभाव में आवाज के दुरुपयोग और प्रतिरूपण के जोखिम बढ़ जाते हैं।
उच्चारण, बोलियों या शोर भरे वातावरण में सटीकता कम हो सकती है।
स्पष्ट लेबलिंग के बिना सिंथेटिक ऑडियो को प्रामाणिक भाषण समझने की भूल की जा सकती है।
कार्यान्वयन रोडमैप
वॉयस कैप्चर, क्लोनिंग और पुन: उपयोग के लिए स्पष्ट सहमति प्राप्त करें।
विभिन्न वक्ताओं और पृष्ठभूमि स्थितियों में गुणवत्ता का परीक्षण करें।
परिभाषित करें कि किसी इंसान को आउटपुट की समीक्षा या अनुमोदन कब करना चाहिए।
जवाबदेही के लिए सिंथेटिक ऑडियो को लेबल करें और उद्गम रिकॉर्ड रखें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AudioGen Text-to-Audio Synthesis quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
डीडीएसपी विभेदक ऑडियो संश्लेषण
अक्सर पूछे जाने वाले प्रश्नों
ऑडियोजेन टेक्स्ट-टू-ऑडियो सिंथेसिस क्या है?
AudioGen एक Meta मॉडल है जो पाठ विवरण को यथार्थवादी पर्यावरणीय ध्वनियों और ध्वनि प्रभावों में बदल देता है, जैसे 'कुत्ता भौंक रहा है जबकि पक्षी चहचहा रहे हैं।' यह मायने रखता है क्योंकि यह रचनाकारों को सामान्य भाषा से गैर-वाक् ऑडियो उत्पन्न करने की सुविधा देता है, जो कि जेनरेटिव एआई में लंबे समय से गायब है।
AudioGen मुख्य रूप से क्या उत्पन्न करता है?
AudioGen गैर-वाक्, सामान्य ऑडियो जैसे पर्यावरणीय ध्वनियों और पाठ संकेतों से उत्पन्न प्रभावों में माहिर है।
AudioGen की पाइपलाइन में पहला चरण क्या है?
एक न्यूरल कोडेक ऑटोएन्कोडर कच्चे ऑडियो को अलग-अलग टोकन में संपीड़ित करता है जिसे भाषा मॉडल तब भविष्यवाणी कर सकता है।
किस प्रकार का मॉडल ऑडियो टोकन की भविष्यवाणी करता है?
AudioGen एक ऑटोरेग्रेसिव ट्रांसफार्मर का उपयोग करता है जो टेक्स्ट पर वातानुकूलित एक के बाद एक ऑडियो टोकन की भविष्यवाणी करता है।
प्रशिक्षण के दौरान लेखकों ने ऑडियो को मिश्रित और संयोजित क्यों किया?
मिश्रित और संयोजित क्लिप के साथ संवर्द्धन से ऑडियोजेन की एक प्रॉम्प्ट में एक साथ वर्णित कई ध्वनियों को लिखने की क्षमता में सुधार हुआ।
किस बड़ी Meta लाइब्रेरी में AudioGen शामिल है?
AudioGen Meta की AudioCraft लाइब्रेरी का हिस्सा है, जिसमें MusicGen मॉडल भी शामिल है।