您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
腾讯EzAudio：文本转逼真音频的AI突破
2024年09月19日 由 daydream 发表
215
0
约翰霍普金斯大学和腾讯AI实验室的研究人员开发了一种新的文本转音频（T2A）生成模型EzAudio。该模型声称能够从文本提示中高效地产生高质量的声音效果，这在人工智能和音频技术领域代表了重要进展。
与传统方法使用频谱图不同，EzAudio在音频波形的潜在空间内运作，这种方法不需要额外的神经声码器，并且可以提供高时间分辨率。研究者们在项目网站上发布的论文中详细介绍了这一点。
EzAudio采用名为EzAudio-DiT（扩散变换器）的架构，其中包括几种技术革新，例如AdaLN-SOLA自适应层归一化技术、长跳跃连接以及像RoPE（旋转位置嵌入）这样的高级定位技术。根据研究者的说法，EzAudio生成的音频样本非常逼真，在客观和主观评价中都超越了现有的开源模型。
随着AI音频生成市场的快速增长，EzAudio的发布显得尤为及时。市场上的其他参与者如ElevenLabs最近推出了iOS应用进行文本到语音转换，表明消费者对AI音频工具的兴趣日益增加。同时，微软和谷歌等科技巨头也在持续投资于AI语音模拟技术。
尽管AI技术的进步带来了诸多可能性，但其在工作场所的广泛应用也引发了一些担忧。德勤的一项研究表明，近半数员工担心因AI而失去工作，尤其是那些更频繁使用AI工具的人更加担忧自己的职业安全。
随着AI音频生成技术变得更加成熟，伦理问题和负责任的使用变得尤为重要。通过文本提示生成真实音频的能力引发了关于潜在滥用的担忧，比如制作深度伪造内容或未经授权的语音克隆。为了促进透明度和进一步的研究，EzAudio团队公开了代码、数据集和模型检查点。
文章来源：https://venturebeat.com/ai/tencent-ezaudio-ai-transforms-text-to-lifelike-sound-sparking-innovation-and-debate/
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消