AudioX

AudioX – 港科大聯合月之暗面推出的擴散變換器模型，任意內容生成音頻

AudioX是什么

AudioX 是由香港科技大學與月之暗面合作開發的一個創新性擴散變壓器模型，旨在從各種內容生成音頻和音樂。該模型具備處理多種輸入形式的能力，包括文本、視頻、圖像、音樂和音頻，從而能夠輸出高質量的音頻作品。其核心創新體現在多模態掩碼訓練策略上，通過隨機掩碼輸入模態，促使模型從不完整的信息中學習，以增強其跨模態的表示能力。

AudioX

AudioX的主要功能

多模態輸入支持
- 文本到音頻（Text-to-Audio）：利用文本描述生成相應的音效，比如輸入“狗吠聲”，模型便可生成狗吠的音頻。
- 視頻到音頻（Video-to-Audio）：根據視頻內容生成匹配的音效，例如，輸入汽車行駛的視頻，模型能夠生成汽車發動機的聲音。
- 圖像到音頻（Image-to-Audio）：根據圖像內容生成相關音效，例如，輸入暴風雨的圖片，模型可生成暴風雨的聲音。
- 音樂生成（Music Generation）：根據文本描述或視頻內容創作音樂，例如，輸入“輕松的鋼琴曲”，模型可以生成一段輕松的鋼琴旋律。
- 音頻修復（Audio Inpainting）：利用上下文信息修復音頻中的缺失部分，輸入一段有空白的音頻，模型可以填補這些空白，使音頻完整。
- 音樂補全（Music Completion）：基于給定的音樂片段生成后續部分，輸入一段音樂的開頭，模型能夠生成接下來的音樂片段。
高質量音頻生成：AudioX 采用擴散模型技術，能夠生成高質量、高保真的音頻和音樂，確保生成的音頻在音質和細節上接近真實。
靈活的自然語言控制：用戶可以通過自然語言描述精確控制生成音頻的內容，比如指定音效類型、音樂風格或樂器使用等，使生成的音頻更符合用戶需求。
跨模態學習能力：AudioX 能夠處理多種模態輸入，并有效整合這些信息，生成與輸入條件一致的音頻。例如，同時輸入文本和視頻，模型能綜合考慮兩者的語義信息，生成更契合場景的音頻。
強大的泛化能力：在多個數據集和任務中表現卓越，包括 AudioCaps、VGGSound、MusicCaps、V2M-bench 等，證明其在不同場景中的適應性和泛化能力。
零樣本生成能力：在沒有針對特定模態（如圖像）的專門訓練下，AudioX 能在零樣本條件下生成高質量音頻，展現出強大的通用生成能力。

AudioX的技術原理

擴散模型（Diffusion Model）：AudioX 基于擴散模型的核心原理，通過逐步添加噪聲到輸入數據，再通過逆向過程逐步去除噪聲，從而生成高質量的音頻或音樂。
- 前向擴散過程：逐步向輸入數據添加高斯噪聲，生成一系列含噪的潛變量。
- 反向去噪過程：通過訓練的去噪網絡（通常為 Transformer），逐步去除噪聲，重建干凈的音頻數據。
多模態掩碼訓練策略：為增強模型的跨模態學習能力，AudioX 采用多模態掩碼訓練策略。在訓練過程中，模型會隨機掩碼部分輸入模態，迫使其從不完整的信息中學習，提高魯棒性和泛化能力。
多模態編碼器和解碼器：AudioX 集成多種專用編碼器，分別處理不同模態的輸入數據，并將這些編碼后的特征融合到一個統一的潛空間中。
- 視頻編碼器：利用 CLIP-ViT-B/32 提取視頻幀特征。
- 文本編碼器：使用 T5-base 提取文本特征。
- 音頻編碼器：通過自編碼器提取音頻特征。
- 特征融合：將不同模態的特征通過線性變換和連接操作融合到一個統一的多模態嵌入向量中。
擴散過程中的條件嵌入：在擴散過程中，使用多模態嵌入向量作為條件輸入，幫助模型生成與輸入條件一致的音頻或音樂，將融合后的多模態特征與擴散時間步一起輸入到擴散模型中，通過逐步去除噪聲生成高質量音頻。
數據集和訓練：為訓練 AudioX，研究團隊構建了兩個大型多模態數據集：vggsound-caps，基于 VGGSound 數據集，包含 190K 音頻字幕；V2M-caps，基于 V2M 數據集，包含 600 萬音樂字幕。