引言
语音编辑和零样本语音合成是两个亟待解决的语音处理领域。前者能够帮助内容创作者更轻松地修改语音录音中的错误词或短语,使之更加流畅自然;后者则可以赋予语音合成模型处理未见过的目标说话人声音的能力,大幅提升应用场景的广泛性。然而,目前现有的方法在这些任务上仍存在诸多挑战,比如生成的语音缺乏自然性和连贯性,或者泛化性较差,难以应对复杂的真实世界数据。
VoiceCraft,是一个基于神经编码语言模型的开源模型。VoiceCraft在语音编辑和零样本语音合成两个任务上均取得了突破性进展,其性能显著超过了当前业界SOTA模型VALL-E和XTTS v2。
-
Huggingface模型下载:https://huggingface.co/pyp1/voicecraft
-
AI快站模型免费加速下载:https://aifasthub.com/models/pyp1
VoiceCraft模型介绍
VoiceCraft的核心创新在于采用了一种基于编码序列的生成方法。具体来说,它首先使用Encodec将原始语音信号量化为一系列可学习的离散编码单元,然后基于这些编码单元训练一个Transformer解码器模型来执行自回归生成。
为了支持在已有语音序列上进行填充式编辑和零样本语音合成,VoiceCraft引入了两个关键技术:
-
因果遮蔽:在训练时,VoiceC