概述
AudioLM 是一个 Google 研究框架，它通过将声音视为语言并逐个预测来生成逼真的音频（语音或钢琴音乐）。这很重要，因为它表明您可以在没有任何文本记录或乐谱的情况下产生连贯、听起来自然的音频延续。
AudioLM 位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。
深入探讨
AudioLM 由 Google 于 2022 年推出，将音频生成重新定义为语言建模问题：它将原始波形转换为离散标记，然后预测下一个标记，就像文本模型预测下一个单词一样。它的关键技巧是令牌类型的层次结构。 “语义”标记（来自 w2v-BERT 等模型）捕获长期结构——语音、语法、旋律——而“声学”标记（来自 SoundStream 神经编解码器）捕获精细细节，如说话者身份、音色和录音条件。通过首先预测语义标记，然后对其进行调节声学标记，AudioLM 会生成在数秒内保持连贯的延续，同时保留原始语音或乐器。说话几秒钟后，它会继续用同样的声音说话；给定钢琴，它以相同的风格即兴演奏。
技术洞察
AudioLM 纯粹基于音频进行训练——没有文字记录。 SoundStream 通过残差矢量量化将音频压缩为声学标记，而 w2v-BERT 提供粗略的语义标记。一堆 Transformer 语言模型分阶段预测标记：首先是结构的语义，然后是用于高保真重建的粗略和精细的声学标记。 SoundStream 的解码器最终将预测的标记转回波形，产生使说话者的声音和韵律保持一致的音频。
掌握 AudioLM
AudioLM 是一个 Google 研究框架，它通过将声音视为语言并逐个预测来生成逼真的音频（语音或钢琴音乐）。这很重要，因为它表明您可以在没有任何文本记录或乐谱的情况下产生连贯、听起来自然的音频延续。 AudioLM 位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。为了建立深入的理解，请将 AudioLM 视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 AudioLM 的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
以同一说话人的声音和语调继续一段简短的语音片段，无需抄本
即兴创作与简短录制提示风格相匹配的新钢琴音乐
充当 MusicLM 等文本转音乐系统的音频生成骨干
研究保留样本中的韵律和记录声学的语音合成
实施模式
AudioLM 实践
以同一说话者的声音和语调继续一段简短的演讲，没有文字记录。
在没有文字记录的情况下以同一发言者的声音和语调继续播放简短的语音片段 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
AudioLM 实践
即兴创作新的钢琴音乐，与简短录制的提示风格相匹配。
即兴创作与简短录制的提示风格相匹配的新钢琴音乐 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
AudioLM 实践
充当 MusicLM 等文本转音乐系统的音频生成骨干。
作为 MusicLM 等文本到音乐系统的音频生成骨干，当他们预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
AudioLM 实践
研究保留样本中的韵律和录音声学的语音合成。
研究保留样本中的韵律和录音声学的语音合成 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
获得语音捕获、克隆和重用的明确同意。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
测试不同扬声器和背景条件下的质量。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
定义人员必须审查或批准输出的时间。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
标记合成音频并保留来源记录以供问责。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。