近期 AIGC 如同上了热搜一般，火热程度居高不下，当然除了名头格外响亮，突破也是绝对斐然：输入自然语言就可自动生成图像、视频甚至是 3D 模型，你说意不意外？
但在音频音效的领域，AIGC 的福利似乎还差了一些。主要由于高自由度音频生成需要依靠大量文本 - 音频对数据，同时长时波形建模还有诸多困难。为了解决上述困难，浙江大学与北京大学联合火山语音，共同提出了一款创新的、文本到音频的生成系统，即 Make-An-Audio。其可以将自然语言描述作为输入，而且是任意模态（例如文本、音频、图像、视频等）均可，同时输出符合描述的音频音效，广大网友很难不为其可控性以及泛化性点赞。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
- 论文链接：https://arxiv.org/abs/2301.12661
- 项目链接：https://text-to-audio.github.io
短短两天，Demo 视频在 Twitter 上获得了 45K 的播放量。
2023 年除夕后，以 Make-An-Audio、 MusicLM 等大量音频合成文章涌现，48 小时内已经有 4 篇突破性的进展。
网友评论 1
广大网友们纷纷表示，AIGC 音效合成将会改变电影、短视频制作的未来。
网友评论 2
网友评论 3
更有网友发出这样的感叹：「audio is all you need……」
网友评论 4
听觉效果展示
话不多说直接看效果，根据文本生成音效原来也可以如此便捷顺畅。
文本 1：a speedboat running as wind blows into a microphone
转化音频1音频：00:0000:09
文本 2：fireworks pop and explode
转化音频2音频：00:0000:09
是不是也一度因破损音频修复而大伤脑筋？Make-An-Audio 模型一出，这事儿就变得简单多了。
修复前
修复前音频
修复前音频音频：00:0000:09
修复后
修复后音频
修复后音频音频：00:0000:09
通过理解图片生成音效，也不是不可以。
图片 1
转化音频
图片转化音频音频：00:0000:09
图片 2
转化音频
图片转化音频2音频：00:0000:09
根据视频内容生成对应音效，这款模型也可以轻松做到。
视频 1
转化音频
视频1音频：00:0000:09
视频 2
转化音频
视频2音频：00:0000:09
模型内在技术原理
深度解析「网红」模型的神奇内在，还要回到音频 - 自然语言对数据稀少的客观问题上，对此浙大北大联合火山语音团队协同两大高校共同提出了Distill-then-Reprogram 文本增强策略，即使用教师模型获得音频的自然语言描述，再通过随机重组获得具有动态性的训练样本。
具体来说，在 Distill 环节中，使用音频转文本与音频 - 文本检索模型，找到语言缺失 (Language-Free) 音频的自然语言描述候选 (Candidate)，通过计算候选文本与音频的匹配相似度，在阈值下取得最佳结果作为音频的描述。该方法具有强泛化性，且真实自然语言避免了测试阶段的域外文本。「在 Reprogram 环节中，团队从额外的事件数据集中随机采样，并与当前训练样本相结合，得到全新的概念组合与描述，以扩增模型对不同事件组合的鲁棒性。」 研究团队表示。
Distill-then-Reprogram 文本增强策略框架图
如上图所示，自监督学习已经成功将图片迁移到音频频谱，利用了频谱自编码器以解决长音频序列问题，并基于 Latent Diffusion 生成模型完成对自监督表征的预测，避免了直接预测长时波形。
Make-An-Audio 模型系统框架图
此外在研究中团队还探索了强大的文本条件策略，包括对比式 Contrastive Language-Audio Pretraining (CLAP) 以及语言模型 (LLM) T5， BERT 等，验证了 CLAP 文本表征的有效与计算友好性。同时还首次使用 CLAP Score 来评估生成的音频，可以用于衡量文本和生成场景之间的一致性；使用主、客观相结合的评估方式，在 benchmark 数据集测试中验证了模型的有效性，展示了模型出色的零样本学习 (Zero-Shot) 泛化性等。
Make-An-Audio 与基线模型主客观评测实验结果
神奇模型的应用前景知多少？
总体来看，Make-An-Audio 模型实现了高质量、高可控性的音频合成，并提出了「No Modality Left Behind」，对文本条件音频模型进行微调 (finetune)，即能解锁对任意模态输入的音频合成 (audio/image/video)。
Make-An-Audio 首次实现高可控 X - 音频的 AIGC 合成，X 可以是文本 / 音频 / 图像 / 视频
在视觉指导的音频合成上，Make-An-Audio 以 CLIP 文本编码器为条件，利用其图像 - 文本联合空间，能够直接以图像编码为条件合成音频。
Make-An-Audio 视觉 - 音频合成框架图
可以预见的是，音频合成 AIGC 将会在未来电影配音、短视频创作等领域发挥重要作用，而借助 Make-An-Audio 等模型，或许在未来人人都有可能成为专业的音效师，都可以凭借文字、视频、图像在任意时间、任意地点，合成出栩栩如生的音频、音效。但现阶段 Make-An-Audio 也并不是完美无缺的，可能由于丰富的数据来源以及不可避免的样本质量问题，训练过程中难免会产生副作用，例如生成不符合文字内容的音频，Make-An-Audio 在技术上被定位是 “辅助艺术家生成”，可以肯定的一点，AIGC 领域的进展确实令人惊喜。
火山语音，长期以来面向字节跳动各大业务线提供全球优势的 AI 语音技术能力以及全栈语音产品解决方案，包括音频理解、音频合成、虚拟数字人、对话交互、音乐检索、智能硬件等。自 2017 年成立以来，团队专注研发行业领先的 AI 智能语音技术，不断探索 AI 与业务场景的高效结合，以实现更大的用户价值。目前其语音识别和语音合成已经覆盖了多种语言和方言，多篇技术论文入选各类 AI 顶级会议，为抖音、剪映、飞书、番茄小说、Pico 等业务提供了领先的语音能力，并适用于短视频、直播、视频创作、办公以及穿戴设备等多样化场景，通过火山引擎开放给外部企业。
