AIGC動態(tài)歡迎閱讀

原標題：語音生成的「智能涌現(xiàn)」：10萬小時數(shù)據(jù)訓練，亞馬遜祭出10億參數(shù)BASE TTS
關(guān)鍵字：語音,報告,解碼器,研究者,模型
文章來源：機器之心
內(nèi)容字數(shù)：8472字

內(nèi)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(fā)展，自然語言處理（NLP）和計算機視覺（CV）已經(jīng)經(jīng)歷了根本性的轉(zhuǎn)變，從有監(jiān)督訓練的專門模型，轉(zhuǎn)變?yōu)橹恍栌邢薜拿鞔_指令就能完成各種任務(wù)的通用模型。
在語音處理和文本到語音（TTS）領(lǐng)域，這樣的轉(zhuǎn)變也正在發(fā)生，模型能夠利用數(shù)千小時的數(shù)據(jù)，使合成結(jié)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(shù)規(guī)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(tǒng)，在約 10 萬小時的公共領(lǐng)域語音數(shù)據(jù)上進行了訓練，比此前的訓練數(shù)據(jù)量最高者 VALL-E 翻了一番。受 LLM 成功經(jīng)驗的啟發(fā)，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(xiàn)」：10萬小時數(shù)據(jù)訓練，亞馬遜祭出10億參數(shù)BASE TTS

聯(lián)系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺