概述
它將擴散模型應用於高保真語音,在無需對抗訓練的情況下,表現足以媲美 GAN 和 WaveNet。
深入探討
DiffWave,由 Kong 等人提出。 2020年,將去噪擴散機率模型框架應用於原始音訊。在訓練過程中,它會透過多個步驟逐漸將高斯雜訊添加到乾淨的波形中,然後學習網路來預測並消除每一步的雜訊。在生成時,它從純噪音開始,並以梅爾頻譜圖為條件運行相反的過程,以恢復乾淨的語音。主幹網絡是一個非自回歸擴張卷積網絡,類似於 WaveNet,但預測的是雜訊而不是樣本。 DiffWave 在品質上可與強大的聲碼器相媲美,而且非常穩健,甚至可以產生合理的無條件語音和跨說話者一致的結果。主要的權衡是速度:簡單採樣需要數十到數千個步驟,儘管快速的時間表將其減少到六個步驟。
現實世界的實施
高保真神經文字轉語音後端,可避免不穩定的 GAN 訓練
用於數據增強和音訊研究的無條件語音生成
揚聲器穩健的語音合成,其中一個模型可以一致地處理多種語音
快速採樣擴散研究的測試平台,將短噪聲時間表應用於即時音頻
DiffWave 擴散聲碼器的未來
DiffWave 推出了擴散聲碼器和更快的後繼產品,例如 PriorGrad 和 FastDiff,可大幅減少步數。該領域正在融合蒸餾和一致性模型技術,旨在實現單步擴散採樣,縮小與 GAN 聲碼器的速度差距,同時保持擴散的穩定訓練和穩健性。預計傳播思想將進一步傳播到音樂、神經編解碼器和通用音訊生成領域,這些領域模式覆蓋很重要。
付諸實踐
為什麼這很重要
- 交通與覆蓋範圍. 它透過轉錄、旁白和語音介面提高了可訪問性。
- 成本與預算. 媒體團隊可以用更少的預算更快地交付精美的音訊。
- 速度與規模. 面向客戶的系統可以處理更大規模的語音互動。
留意
- 如果未徵得同意,語音濫用和冒充風險就會增加。
- 由於口音、方言或嘈雜的環境,準確性可能會下降。
- 如果沒有明確的標籤,合成音訊可能會被誤認為是真實的語音。
後續步驟
- 獲得語音捕獲、克隆和重用的明確同意。
- 測試不同揚聲器和背景條件下的品質。
- 定義人員必須審查或批准輸出的時間。
- 標記合成音訊並保留來源記錄以供問責。
不斷探索
常見問題
什麼是 DiffWave Diffusion Vocoder?
DiffWave 是一種基於擴散的聲碼器,透過迭代地將隨機雜訊去噪為以梅爾頻譜圖為條件的波形來合成音訊。它將擴散模型引入了高保真語音中,無需對抗性訓練即可與 GAN 和 WaveNet 相媲美。
DiffWave 如何在推理時產生音訊?
DiffWave 從高斯雜訊開始,運行反向擴散過程,在梅爾頻譜圖的條件下重複去噪,以產生波形。
DiffWave 網路在訓練期間實際上學會預測什麼?
DiffWave 使用加權 L2 損失訓練網路來預測在隨機選擇的擴散步驟中添加的高斯雜訊。
與 GAN 聲碼器相比,DiffWave 的主要實際缺點是什麼?
樸素擴散採樣需要許多反向步驟;儘管快速的時間表有所幫助,但迭代過程是主要的速度成本。
DiffWave 在訓練中相對於 GAN 聲碼器有什麼優勢?
擴散模型採用穩定的迴歸式目標進行訓練,避免了對抗性 GAN 訓練可能遭受的不穩定性。
DiffWave 的噪音預測網路類似什麼架構?
DiffWave 使用類似於 WaveNet 的擴張卷積的非自回歸主幹,但它預測雜訊而不是音訊樣本。