英偉達(dá)攜全新AI模型“顛覆”音頻界：可創(chuàng)作音樂、修改人聲

  ICC訊 據(jù)報(bào)道，英偉達(dá)（Nvidia）開發(fā)了一種新型人工智能（AI）模型，可以創(chuàng)造聲音效果，改變?nèi)说陌l(fā)音方式，并使用自然語言提示生成音樂。

  這個(gè)模型被命名為Fugatto，即Foundational Generative Audio Transformer Opus 1，是一個(gè)研究項(xiàng)目。英偉達(dá)表示，它不會(huì)宣布任何發(fā)布這項(xiàng)技術(shù)的計(jì)劃，但它可能會(huì)對(duì)從音樂、娛樂到翻譯服務(wù)等行業(yè)產(chǎn)生廣泛的影響。

  英偉達(dá)應(yīng)用深度學(xué)習(xí)研究副總裁Bryan Catanzaro在接受采訪時(shí)表示：“Fugatto最令人興奮的地方在于，它擁有一個(gè)模型，你可以要求它以某種方式發(fā)出聲音，這真的打開了你對(duì)它應(yīng)用范圍的想象?！?

  他進(jìn)一步解釋說，市場(chǎng)上的其他模型，有些可以合成語音，有些可以為音樂添加音效，但Fugatto全部都可以做到。Catanzaro說，可以將其視為視頻和圖像生成模型（如Stability AI的Stable Video Diffusion或OpenAI的Sora）的一種補(bǔ)充。

  “這里最基本的改進(jìn)是……我們能夠使用語言合成音頻，我認(rèn)為，這為人們可以用來創(chuàng)造驚人音頻的工具開辟了新的前景。”他補(bǔ)充說。

  根據(jù)英偉達(dá)的說法，F(xiàn)ugatto是第一個(gè)具有新興特性的基礎(chǔ)模型，這意味著它能夠混合經(jīng)過訓(xùn)練的元素，并遵循“自由形式的指令”。

  具體而言，該模型可以通過標(biāo)準(zhǔn)的文字提示生成音頻，也可以處理您上傳的音頻文件。所以，如果你有一個(gè)人說話的文件，你可以把那個(gè)人的話翻譯成另一種語言，同時(shí)讓它聽起來像他的聲音。你也可以選擇一個(gè)簡(jiǎn)單的曲調(diào)，讓它聽起來像管弦樂表演，或者在音樂中添加不同的節(jié)拍。

  此外，你也可以上傳一個(gè)文檔，讓模型用你喜歡的任何聲音朗讀。更重要的是，你可以告訴模型發(fā)出帶有情感分量的聲音。

  不過，Catanzaro也補(bǔ)充說，這種模型并不總是完美的。而且，就像生成圖像和視頻的模型一樣，F(xiàn)ugatto也會(huì)催生藝術(shù)家、音響工程師和相關(guān)領(lǐng)域人員的擔(dān)憂。但Catanzaro指出，他的本意是希望這項(xiàng)技術(shù)能幫助音樂家。

  “我希望這是藝術(shù)家探索的新工具?！薄拔艺J(rèn)為音頻一直是一個(gè)富有成效的探索領(lǐng)域。你知道，當(dāng)我們獲得新的音頻工具時(shí)，有時(shí)我們會(huì)獲得新的音樂形式。”他說。