萧箫 发自 凹非寺量子位 | 公众号 QbitAI

只需3秒钟，一个根本没听过你说话的AI，就能完美模仿出你的声音。

是不是细思极恐？

这是微软最新AI成果——语音合成模型VALL·E，只需3秒语音，就能随意复制任何人的声音。

它脱胎于DALL·E，但专攻音频领域，语音合成效果在网上放出后火了：

有网友表示，要是将VALL·E和ChatGPT结合起来，效果简直爆炸：

看来与GPT-4在Zoom里聊天的日子不远了。

还有网友调侃，（继AI搞定作家、画家之后）下一个就是配音演员了。

所以VALL·E究竟怎么做到3秒钟模仿“没听过”的声音？

用语言模型来分析音频

基于AI“没听过”的声音合成语音，即零样本学习。

语音合成趋于成熟，但之前零样本语音合成效果并不好。

主流语音合成方案基本是预训练+微调模式，如果用到零样本场景下，会导致生成语音相似度和自然度很差。

基于此，VALL·E横空出世，相比主流语音模型提出了不太一样的思路。

相比传统模型采用梅尔频谱提取特征，VALL·E直接将语音合成当成了语言模型的任务，前者是连续的，后者是离散化的。

具体来说，传统语音合成流程往往是“音素→梅尔频谱（mel-spectrogram）→波形”这样的路子。

但VALL·E将这一流程变成了“音素→离散音频编码→波形”：

具体到模型设计上，VALL·E也和VQVAE类似，将音频量化成一系列离散tokens，其中第一个量化器负责捕捉音频内容和说话者身份特征，后几个量化器则负责细化信号，使之听起来更自然：

随后以文本和3秒钟的声音提示作为条件，自回归地输出离散音频编码：

VALL·E还是个全能选手，除了零样本语音合成，同时还支持语音编辑、与GPT-3结合的语音内容创建。

那么在实际测试中，VALL·E的效果如何呢？

连环境背景音都能还原

根据已合成的语音效果来看，VALL·E能还原的绝不仅仅是说话人的音色。

不仅语气模仿到位，而且还支持多种不同语速的选择，例如这是在两次说同一句话时，VALL·E给出的两种不同语速，但音色相似度仍然较高：

同时，连说话者的环境背景音也能准确还原。

除此之外，VALL·E还能模仿说话者的多种情绪，包括愤怒、困倦、中立、愉悦和恶心等好几种类型。

值得一提的是，VALL·E训练用的数据集不算特别大。

相比OpenAI的Whisper用了68万小时的音频训练，在只用了7000多名演讲者、6万小时训练的情况下，VALL·E就在语音合成相似度上超过了经过预训练的语音合成模型YourTTS。

而且，YourTTS在训练时，事先已经听过108个演讲者中的97人声音，但在实际测试中还是比不过VALL·E。

有网友已经在畅想它可以应用的地方了：

不仅可以用在模仿自己的声音上，例如帮助残障人士和别人完成对话，也可以在自己不想说话时用它代替自己发语音。当然，还可以用在有声书的录制上。

不过，VALL·E目前还没开源，要想试用可能还得再等等。

作者介绍

这篇论文所有作者均来自微软，其中有三位共同一作。

一作Chengyi Wang，南开大学和微软亚研院联合培养博士生，研究兴趣是语音识别、语音翻译和语音预训练模型等。

共同一作Sanyuan Chen，哈工大和微软亚研院联合培养博士生，研究方向包括自监督学习、NLP和语音处理等。

共同一作Yu Wu，微软亚研院NLP小组研究员，在北航获得博士学位，研究方向是语音处理、聊天机器人系统和机器翻译等。