AudioStory – 騰訊ARC推出的音頻生成模型

AudioStory，騰訊ARC實驗室匠心打造的音頻生成引擎，能夠依據(jù)自然語言的描繪，創(chuàng)作出栩栩如生、邏輯嚴謹?shù)拈L篇敘事音頻。其核心優(yōu)勢在于，能將繁復(fù)的敘事需求化整為零，分解為一系列有序的子任務(wù)，并通過精妙的解耦橋接機制，實現(xiàn)語義內(nèi)容與音效細節(jié)的絲絲入扣的協(xié)調(diào)，最終賦予防時序邏輯與豐沛情感層次的音頻作品。

AudioStory：您的音頻創(chuàng)作全能助手

AudioStory 是一款革新性的音頻生成技術(shù)，由騰訊ARC實驗室傾力研發(fā)。它能夠根據(jù)用戶的自然語言描述，創(chuàng)作出極具沉浸感的高質(zhì)量長篇敘事音頻。該技術(shù)采用“分而治之”的策略，將復(fù)雜的敘事指令拆解為一系列有邏輯順序的子任務(wù)，并通過獨特的“解耦橋接機制”，精準地協(xié)調(diào)敘事語義與音效細節(jié)。其端到端的訓(xùn)練模式，極大地提升了模型內(nèi)部各組件的協(xié)同效應(yīng)，確保生成的音頻不僅在時序上連貫，更在情感表達上富有層次。

AudioStory 的核心功能亮點

• 視頻自動配音：為您的無聲視頻注入靈魂。只需提供音效風(fēng)格描述，AudioStory便能智能解析視頻內(nèi)容，生成同步且風(fēng)格統(tǒng)一的背景音軌，讓畫面與聲音完美融合。
• 音頻智能續(xù)寫：讓您的音頻故事源源不斷。面對一段音頻，AudioStory能夠洞察其潛在的場景發(fā)展，智能地續(xù)寫出合乎情理的音頻續(xù)集。例如，在籃球訓(xùn)練的場景中，它能自然地補充球員的腳步聲和籃球的拍打聲，讓聽覺體驗更加真實。
• 有聲書創(chuàng)作的福音：為有聲書愛好者帶來福音。AudioStory能夠依據(jù)文本描述，創(chuàng)作出兼具時序邏輯與情感起伏的音頻內(nèi)容，讓聽眾如同身臨其境，深度沉浸于故事的魅力之中。
• 游戲音效制作的利器：為游戲世界增添無限生機。AudioStory能夠根據(jù)游戲場景的描述，生成與之匹配的沉浸式音效，極大地豐富玩家的游戲體驗，讓虛擬世界更加鮮活。
• 智能播客的得力助手：賦能播客創(chuàng)作者，提升創(chuàng)作效率。只需描述播客話題，AudioStory便能快速生成相應(yīng)的音頻片段，讓內(nèi)容創(chuàng)作過程更加便捷高效。

AudioStory 的技術(shù)精髓剖析

• 分而治之策略：將龐雜的敘事任務(wù)分解為一系列按時間軸精確編排的子任務(wù)，確保整體音頻的流暢性和邏輯的嚴密性。
• 解耦橋接機制：通過“橋梁查詢”和“殘差查詢”兩個關(guān)鍵組件，實現(xiàn)大語言模型與音頻生成器之間的無縫協(xié)作，分別處理內(nèi)的語義對齊和跨的一致性保持，從而顯著提升生成效果。
• 端到端訓(xùn)練：采用統(tǒng)一的訓(xùn)練框架，同步優(yōu)化指令理解與音頻生成兩大環(huán)節(jié)，強化模型內(nèi)部的協(xié)同作用，全面提升整體性能。
• 語義令牌與殘差令牌雙通道機制：通過兩條的通道，分別處理宏觀敘事脈絡(luò)與微觀音效細節(jié)，實現(xiàn)兩者間的精準協(xié)調(diào)，使生成的音頻既符合整體敘事邏輯，又飽含豐富的細節(jié)表現(xiàn)力。
• 三階段漸進訓(xùn)練：從基礎(chǔ)的單音生成，到音頻的協(xié)同，再到長篇敘事的復(fù)雜挑戰(zhàn)，通過循序漸進的訓(xùn)練過程，逐步提升模型的能力和適應(yīng)性，使其能夠從容應(yīng)對各類復(fù)雜的長篇敘事音頻生成任務(wù)。

探索 AudioStory 的更多可能

• GitHub 倉庫：歡迎訪問 https://github.com/TencentARC/AudioStory，深入了解項目的技術(shù)細節(jié)。
• 論文地址：深度解析請參考 https://arxiv.org/pdf/2508.20088。

AudioStory 的廣泛應(yīng)用場景

• 視頻配音：根據(jù)用戶提供的無聲視頻和音效風(fēng)格描述，自動分析視頻內(nèi)容并生成匹配的背景音軌。
• 音頻續(xù)寫：基于給定音頻片段，洞察并推斷后續(xù)場景，智能地補充合理的音頻續(xù)集，例如為籃球訓(xùn)練音頻添加球員腳步聲等。
• 有聲書創(chuàng)作：依據(jù)文本描述生成具有時序邏輯和情感層次的音頻，從而顯著提升有聲書的聽覺體驗。
• 游戲音效生成：根據(jù)游戲場景描述生成沉浸式音效，有效增強玩家在游戲中的沉浸感和互動體驗。