語音生成的「智能涌現」：10萬小時數據訓練，亞馬遜祭出10億參數BASE TTS

AIGC動態歡迎閱讀

原標題：語音生成的「智能涌現」：10萬小時數據訓練，亞馬遜祭出10億參數BASE TTS
關鍵字：語音,報告,解碼器,研究者,模型
文章來源：機器之心
內容字數：8472字

內容摘要：

機器之心報道
編輯：蛋醬伴隨著生成式深度學習模型的飛速發展，自然語言處理（NLP）和計算機視覺（CV）已經經歷了根本性的轉變，從有監督訓練的專門模型，轉變為只需有限的明確指令就能完成各種任務的通用模型。
在語音處理和文本到語音（TTS）領域，這樣的轉變也正在發生，模型能夠利用數千小時的數據，使合成結果越來越接近類人語音。
在最近的一項研究中，亞馬遜正式推出了 BASE TTS，將 TTS 模型的參數規模提升到了前所未有的 10 億級別。論文標題：BASE TTS: Lessons from building a billion-parameter Text-to-Speech model on 100K hours of data
論文鏈接：https://arxiv.org/pdf/2402.08093.pdf
BASE TTS 是一個多語言、多說話人的大型 TTS（LTTS）系統，在約 10 萬小時的公共領域語音數據上進行了訓練，比此前的訓練數據量最高者 VALL-E 翻了一番。受 LLM 成功經驗的啟發，BASE TTS 將 TTS 視為下一個 token 預測的問題。這種方法通

原文鏈接：語音生成的「智能涌現」：10萬小時數據訓練，亞馬遜祭出10億參數BASE TTS

聯系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業的人工智能媒體和產業服務平臺