Tạo âm thanh song song SoundStorm
SoundStorm là mô hình tạo âm thanh Google tạo ra giọng nói và âm thanh song song thay vì một mã thông báo mỗi lần, giúp quá trình tổng hợp âm thanh chất lượng cao nhanh hơn đáng kể.
Tổng quan
It matters because it cuts generation latency for long clips from minutes to seconds without sacrificing fidelity.
Lặn sâu
SoundStorm, được Google giới thiệu vào năm 2023, tạo ra âm thanh được biểu thị dưới dạng mã thông báo âm thanh riêng biệt từ bộ giải mã thần kinh có tên là SoundStream. Các mô hình trước đó như AudioLM đã tự động tạo ra các mã thông báo này, dự đoán từng mã thông báo theo trình tự, điều này rất chậm đối với âm thanh dài. Thay vào đó, SoundStorm sử dụng cách tiếp cận dựa trên mặt nạ, không tự hồi phục được mượn từ các mô hình tạo hình ảnh như MaskGIT. Nó bắt đầu với hầu hết các mã thông báo được che dấu và lặp đi lặp lại điền chúng vào một số bước giải mã, dự đoán song song nhiều mã thông báo cùng một lúc. Dựa trên các mã thông báo ngữ nghĩa (từ một mô hình như AudioLM hoặc SPEAR-TTS), nó có thể tổng hợp 30 giây đối thoại tự nhiên trong khoảng nửa giây trên TPU, nhanh hơn khoảng 100 lần so với các đường cơ sở tự động hồi quy trong khi vẫn phù hợp với chất lượng và tính nhất quán của loa.
Hiểu biết kỹ thuật
SoundStorm mô hình hóa hệ thống cấp độ lượng tử hóa vectơ dư (RVQ) từ SoundStream. Trong quá trình đào tạo, các mã thông báo ngẫu nhiên được che đi và mô hình học cách dự đoán chúng. Khi suy luận, nó chạy giải mã song song dựa trên độ tin cậy: trong mỗi lần lặp, nó dự đoán tất cả các mã thông báo bị che, giữ lại những mã đáng tin cậy nhất và che lại phần còn lại. Trước tiên, nó giải mã các mức RVQ thô, sau đó là các mức mịn hơn, đạt được âm thanh đầy đủ với ít bước hơn nhiều so với việc tạo từng mã thông báo.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của thế hệ âm thanh song song SoundStorm
Giải mã dựa trên mặt nạ song song đang trở thành một công cụ tiêu chuẩn cho âm thanh nhanh, có thể điều khiển được. Kỳ vọng nó sẽ cung cấp năng lượng cho các tác nhân đàm thoại theo thời gian thực, tổng hợp giọng nói tức thì và tạo podcast hoặc sách nói dạng dài trong đó độ trễ từng khiến các mô hình tự hồi quy trở nên không thực tế. Kết hợp nó với điều kiện ngữ nghĩa mạnh mẽ hơn và hình mờ sẽ cải thiện tính hiện thực của cuộc đối thoại và khả năng truy xuất nguồn gốc. Ý tưởng cải tiến lặp đi lặp lại tương tự có khả năng hợp nhất với các phương pháp khuếch tán, làm mờ ranh giới giữa mã thông báo codec và trình tạo âm thanh liên tục.
Triển khai trong thế giới thực
Tạo các đoạn hội thoại dài 30 giây cho trợ lý giọng nói AI trong chưa đầy một giây
Tổng hợp các cuộc hội thoại nhiều lượt với giọng nói nhất quán của người nói để tạo nguyên mẫu
Hỗ trợ tính năng chuyển văn bản thành giọng nói có độ trễ thấp trong các tác nhân tương tác nơi các mô hình tự hồi quy bị trễ
Tạo âm thanh tường thuật dài một cách nhanh chóng bằng cách điền song song các mã thông báo âm thanh
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
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 SoundStorm Parallel Audio Generation 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
Hướng dẫn tiếp theo
Khuếch tán tiềm ẩn âm thanh ổn định
Câu hỏi thường gặp
What is SoundStorm Parallel Audio Generation?
SoundStorm là mô hình tạo âm thanh Google tạo ra giọng nói và âm thanh song song thay vì một mã thông báo mỗi lần, giúp quá trình tổng hợp âm thanh chất lượng cao nhanh hơn đáng kể. Điều này quan trọng vì nó giảm độ trễ tạo ra các clip dài từ vài phút xuống vài giây mà không làm giảm độ trung thực.
Cải tiến quan trọng giúp SoundStorm nhanh hơn AudioLM là gì?
SoundStorm thay thế việc tạo mã thông báo theo mã thông báo, tự động chậm bằng giải mã song song không tự động hồi quy, dự đoán nhiều mã thông báo cùng một lúc.
SoundStorm thích ứng với kỹ thuật tạo hình ảnh nào?
SoundStorm mượn chiến lược giải mã mặt nạ và nạp lại dựa trên độ tin cậy được phổ biến bởi MaskGIT trong tổng hợp hình ảnh.
SoundStorm tạo ra loại đại diện nào?
SoundStorm dự đoán các mã thông báo âm thanh riêng biệt do codec SoundStream tạo ra, sau đó được giải mã thành dạng sóng.
SoundStorm mất bao lâu để tạo ra âm thanh 30 giây trên TPU?
SoundStorm có thể tổng hợp 30 giây âm thanh trong khoảng 0,5 giây, nhanh hơn khoảng 100 lần so với đường cơ sở tự hồi quy.
SoundStorm quyết định giữ lại mã thông báo dự đoán nào trong quá trình giải mã?
Trong mỗi lần lặp, nó giữ lại các dự đoán về mã thông báo có độ tin cậy cao nhất và che giấu những dự đoán không chắc chắn cho lần vượt qua tiếp theo.