概述
SoundStorm 是一种 Google 音频生成模型，它并行生成语音和声音，而不是一次生成一个令牌，从而使高质量音频合成速度显着加快。这很重要，因为它可以将长剪辑的生成延迟从几分钟缩短到几秒钟，而不会牺牲保真度。
SoundStorm 并行音频生成位于音频 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
SoundStorm 由 Google 于 2023 年推出，可从名为 SoundStream 的神经编解码器生成表示为离散声学标记的音频。 AudioLM 等早期模型以自回归方式生成这些标记，按顺序预测每个标记，这对于长音频来说很慢。相反，SoundStorm 使用借鉴自 MaskGIT 等图像生成模型的非自回归、基于掩模的方法。它从大部分被屏蔽的标记开始，并通过几个解码步骤迭代地填充它们，同时并行预测许多标记。以语义标记（来自 AudioLM 或 SPEAR-TTS 等模型）为条件，它可以在 TPU 上大约半秒内合成 30 秒的自然对话，比自回归基线快大约 100 倍，同时匹配其质量和说话者一致性。
技术洞察
SoundStorm 对 SoundStream 中的残差矢量量化 (RVQ) 级别的层次结构进行建模。在训练过程中，随机标记被屏蔽，模型学习预测它们。在推理时，它运行基于置信度的并行解码：在每次迭代中，它预测所有屏蔽标记，保留最置信的标记，并重新屏蔽其余标记。它首先解码粗略的 RVQ 级别，然后解码更精细的 RVQ 级别，以比逐个令牌生成少得多的步骤实现完整音频。
掌握 SoundStorm 并行音频生成
SoundStorm 是一种 Google 音频生成模型，它并行生成语音和声音，而不是一次生成一个令牌，从而使高质量音频合成速度显着加快。这很重要，因为它可以将长剪辑的生成延迟从几分钟缩短到几秒钟，而不会牺牲保真度。 SoundStorm 并行音频生成位于音频 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 SoundStorm 并行音频生成视为一种操作模型，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 SoundStorm 并行音频生成的强大团队将质量、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
在不到一秒的时间内为 AI 语音助手生成 30 秒的语音对话
合成具有一致说话者声音的多轮对话以进行原型设计
在自回归模型滞后的交互式代理中支持低延迟文本到语音
通过并行填充声学标记快速生成长格式叙述音频
实施模式
SoundStorm 并行音频生成实践
在不到一秒的时间内为 AI 语音助手生成 30 秒的语音对话。
在不到一秒的时间内为 AI 语音助手生成 30 秒的语音对话 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。
SoundStorm 并行音频生成实践
将多轮对话与一致的扬声器声音进行合成以进行原型设计。
将多轮对话与一致的扬声器声音进行原型设计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。
SoundStorm 并行音频生成实践
在自回归模型滞后的交互式代理中支持低延迟文本到语音。
在自回归模型滞后的交互式代理中支持低延迟文本到语音 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时通常会获得更好的结果。
SoundStorm 并行音频生成实践
通过并行填充声学标记来快速生成长格式叙述音频。
通过并行填充声学标记来快速生成长格式叙述音频 团队在预先定义质量阈值、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。
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。