Meta 發(fā)布語音生成 AI 模型 Voicebox

近日，Meta AI 宣布在生成式 AI 語音模型領域取得了突破：開發(fā)出了首個可泛化至多種語音生成任務的模型 Voicebox，無需專門訓練即可達成頂尖性能表現(xiàn)。Meta AI 研究人員分享了多段音頻樣本和一篇研究論文，其中詳細介紹了他們采用的方法和取得的成果。

(資料圖片)

與圖像及文本類生成系統(tǒng)一樣，Voicebox 能夠創(chuàng)建多種樣式的輸出，包括從零開始創(chuàng)建輸出、修改給定樣本等。但與以往不同的是，Voicebox 并非簡單創(chuàng)建圖片或一段文字，而是直接生成高質(zhì)量的音頻片段。該模型能夠為括英語、法語、西班牙語、德語、波蘭語和葡萄牙語在內(nèi)的六種語言合成語音，同時執(zhí)行噪聲去除、內(nèi)容編輯、風格轉(zhuǎn)換和多樣化樣本生成等任務。

在 Voicebox 出現(xiàn)之前，生成式 AI 語音模型需要配合精心準備的訓練數(shù)據(jù)，就各項任務接受特定訓練。Voicebox 使用一種新的方法，可直接從原始音頻和隨附的轉(zhuǎn)錄結果中學習。與只能根據(jù)給定音頻片段續(xù)寫結尾的自回歸模型不同，Voicebox 能夠修改給定樣本中的任意部分。

據(jù)了解，Voicebox 能夠出色執(zhí)行各種任務，具體包括：

結合上下文的文本到語音合成：使用長度僅為兩秒的輸入音頻樣本，Voicebox 即可匹配樣本的音頻風格并據(jù)此進行文本到語音生成。后續(xù)項目有望為無法說話的人士提供語音支持，或者為游戲 NPC 及虛擬助手快速生成對話語音。

跨語言風格轉(zhuǎn)換：給定一段語音樣本，外加一段英語、法語、德語、西班牙語、波蘭語或葡萄牙語的文本，Voicebox 即可生成對應的朗讀音頻。這種能力訟人興奮，未來可以幫助使用不同母語的人們通過自然且真實的方式開展交流。

語音降噪與編輯：Voicebox 的上下文學習為其賦予了強大的語音生成能力，可無縫編輯音頻中的片段。它能重新合成被暫時噪聲干擾的語音部分，或者替換掉說錯的詞，而無需重新錄制整段語音。用戶可以找到語音中被噪聲(如狗叫聲)干擾的原始片段，剪切出來并指示模型重新生成。有朝一日，這種能力還可用于清洗和編輯音頻，且使用過程與目前流行的圖像編輯工具一樣輕松便捷。

多樣化語音采樣：利用多樣化的真實數(shù)據(jù)完成學習后，Voicebox 將可生成與人們的現(xiàn)實對話高度吻合的以上六種語言對話音頻。未來，此功能可用于生成合成數(shù)據(jù)，協(xié)助提升語音助手模型的訓練效果。研究結果表明，基于 Voicebox 生成的合成語音訓練出的語音識別模型，在性能上幾乎與使用真實語音的模型相當，錯誤率降低了 1%;與以往同類文本到語音模型相比，合成語音數(shù)據(jù)訓練結果的錯誤率更是大幅降低 45%至 70%。

Voicebox 的誕生，標志著生成式 AI 研究又向前邁出了重要一步。在文本、圖像和視頻生成等方面，具備任務泛化能力的可擴展生成式 AI 模型已經(jīng)激發(fā)了人們對于跨任務潛在應用的濃厚興趣。Meta AI 希望音頻領域未來也能掀起同樣的潮流，同時繼續(xù)保持深耕和探索，關注其他研究人員如何在 Voicebox 的基礎之上尋求新的突破。

Voicebox 背后的 Flow Matching 技術

現(xiàn)有語音合成工具的主要局限之一，在于只能就專門的任務配合準備好的數(shù)據(jù)接受訓練。這些單調(diào)而干凈的輸入數(shù)據(jù)相對有限且難以收集，因此也導致輸出結果變得同樣單調(diào)。

Meta AI 的研究人員基于“流匹配”(Flow Matching)技術構建了 Voicebox，這項技術是 Meta 在非自回歸生成模型領域的最新進展，能夠掌握文本到語音之間高度不確定的映射。非確定性映射非常重要，它使得 Voicebox 能夠從不同的語音數(shù)據(jù)中學習，且無需對各種變化要素做詳盡標注。也就是說，Voicebox 能夠在多樣性更強、規(guī)模更大的數(shù)據(jù)之上進行訓練。

與當前最先進的英語模型 VALL-E 相比，Voicebox 在可懂度(即單詞錯誤率，前者為 5.9%，Voicebox 為 1.9%)和音頻相似度(0.580 對 0.681)方面均更加強大，且速度要快 20 倍。在跨語言風格遷移方面，Voicebox 也優(yōu)于領先模型 YourTTS，能夠?qū)⑵骄鶈卧~錯誤率從 10.9%降低至 5.2%，并將音頻相似度從 0.335 提高至 0.481。

Voicebox取得新的先進結果，在單詞錯誤率方面優(yōu)于Vall-E和YourTTS。

Voicebox還分別在英語和多語言基準測試中的音頻風格相似性方面，達成了新的頂尖成績。

研究人員使用超過 5 萬小時的語音錄音，和來自英語、法語、西班牙語、德語、波蘭語和葡萄牙語的公共有聲讀物轉(zhuǎn)錄對 Voicebox 進行訓練。經(jīng)過訓練后，Voicebox 能夠在給定前后語音和片段轉(zhuǎn)錄數(shù)據(jù)時預測出語音片段。它還能學會根據(jù)上下文補全語音，從而被應用于其他語音生成任務，包括在無需重建整個輸入的前提下生成音頻的中間部分。

“AI 孫燕姿”爆火后，再看語音生成濫用風險

Voicebox 擁有眾多令人興奮的用例，但 Meta 也承認其存在潛在的濫用風險，所以 Meta AI 的研究人員決定暫不公開 Voicebox 模型或代碼。Meta 在社交平臺上公開表示：“與其他強大的人工智能創(chuàng)新技術一樣，我們認為這項技術也可能會被濫用，造成意外傷害?！?/p>

事實上，語音生成引發(fā)的濫用風險并不少見。以華語樂壇最近爆火的“AI 孫燕姿”為例，AI 讓孫燕姿翻紅的同時，也讓背后的風險顯露出來。一方面，AI 合成聲音可能涉及侵權問題，另一方面，也可能帶來一系列倫理和法律的風險。

我國《民法典》第 1023 條第二款規(guī)定，對自然人聲音的保護，參照適用肖像權保護的有關規(guī)定。第 1019 條第一款規(guī)定，任何組織或者個人不得以丑化、污損，或者利用信息技術手段偽造等方式侵害他人的肖像權。未經(jīng)肖像權人同意，不得制作、使用、公開肖像權人的肖像。由此可見，比照對肖像的人格權保護，未經(jīng)權利人的同意，也不得制作、使用、公開利用權利人的聲音。

此外，語音生成也會成為電信詐騙的利器。前段時間，美國和加拿大各地使用 AI 合成語音進行電信詐騙的案例多發(fā)，不少老年上當受騙。加拿大警方稱，最近加拿大各地都有不少類似案件發(fā)生，涉案金額已達數(shù)百萬加元。有受害者表示，犯罪分子使用的聲音和她兒子的聲音簡直一模一樣。在美國，類似的詐騙案件近期也呈上升趨勢。

作為首個能夠成功執(zhí)行任務的多功能、高效泛化模型，Meta AI 堅信 Voicebox 即將開創(chuàng)生成式 AI 語音模型的新時代，但與其他強大的 AI 創(chuàng)新成果一樣，這項技術同樣可能因誤用引發(fā)意外危害。對于語音生成帶來的濫用風險，Meta 也想好了對策——構建一款高效分類器，用以區(qū)分由 Voicebox 生成的音頻和真實語音，借此緩解未來可能出現(xiàn)的種種風險。

在論文(https://research.facebook.com/publications/voicebox-text-guided-multilingual-universal-speech-generation-at-scale/)中，Meta AI 研究人員還具體講解了如何構建一款高效分類器，用以區(qū)分真實語音和 Voicebox 生成的音頻。

參考鏈接：

https://ai.facebook.com/blog/voicebox-generative-ai-model-speech/

http://www.xinhuanet.com/ent/20230620/85f213fc8b914b7a9ea17addc3cec01e/c.html

本文轉(zhuǎn)載來源：

https://www.infoq.cn/news/YF1LRfH3Ttt7eZ0mBPjQ