Metor生成式A/语音：Voicebox惊艳问世。
·Controlor在元宇宙上摔了大跟头。2022年经历大规模裁员，但小扎丝毫没有自暴自弃，而是一鼓作气研发出了生成式Al语音系统voice box。语音的核心问题是什么？需要大量的专业数据来对特定的AI语音进行训练，耗时长、成本高而且能力单一。
voicebox是一种基于流匹配的方法，能够学习到语音和文本之间的非确定的映射关系，减少了繁琐的语音标注环节。mentor训练voicebox采用了六个国家的语言，英语、法语、德语、西班牙语、波兰语、葡萄牙语，包含了5000个小时的录音、转录文本以及公共领域的有声书。
·Voicebox不仅能够合成这6种语言，还能够进行噪声消除内容编辑、转换音频风格。因为担心这种技术被滥用，现在Mentor并不打算公开语音的AI模型。
接下来看看生成式的语音系统到底厉害在哪里？
·第一点，特定语境的文本转语音。Y box仅需2秒左右的音频样本输入就能将文字生成和样本风格一致的语音内容。这个技术的应用价值非常大，比如可以定制你喜欢的虚拟助手，可以让有视听障碍的人士像正常人一样沟通和对话。
·第二点，跨语言风格迁移。给定一段语音样本和对应的文本片段，不管是英语、法语、德语，还是西班牙语、波兰语、葡萄牙语。voice box能以任何一种语言读出文本，这不就是随身携带了一个翻译机吗？不同国家之间再也没有语言障碍。普通人可以通过自己的语调，语气来说外语，对于喜欢旅游跨国工作的人真是太实用了。
·第三点，语音的降噪和编辑，噪音污染是语音系统的棘手问题。voicebox拥有上下文的学习能力，因此当音频中出现被噪声污染的片段可以通过voicebox进行自动裁剪并与整体的音频无缝衔接。这项能力对于内容创造者真是太友好了。
拿我自己来讲，我也经常编辑短视频，但是在录音的过程中难免会出错，一旦等到视频编辑完了再发现这个错误那已经太晚了，还得重新录一遍。Voicebox可以自动化的解决这个问题。
·第四点多样化的语音采样。voicebox通过学习海量、多样化的语音数据可以合成超级自然的人声，未来不管是游戏中的NCP还是数字人、影视配音，AI的表现会越来越接近真人。此外这种能力还可以合成数据帮助训练语音助理，值得欣喜的是它的表现和使用真人语音数据训练的模型差不多。这种方式可以极大降低语音应用的开发成本提升效率。
技术总是会有两面性的，mentor为了降低这个技术被恶意使用，它构建了一种分类器能够识别真人的声音和voicebox创造出来的声音。
好了今天先到这里了，面对强大的Voicebox你心动了吗？过去AI的核心价值是降本增效增收，未来价值体系变成如何让"人人平等"。论文地址：speech-generation-at-scale/更多价值信息关注公众号：夏叶华。视频号：Eva产品战略。
