SoundStorm: Effiziente parallele Audiogenerierung
SoundStorm: Efficient Parallel Audio Generation
May 16, 2023
Autoren: Zalán Borsos, Matt Sharifi, Damien Vincent, Eugene Kharitonov, Neil Zeghidour, Marco Tagliasacchi
cs.AI
Zusammenfassung
Wir präsentieren SoundStorm, ein Modell für effiziente, nicht-autoregressive Audioerzeugung. SoundStorm erhält als Eingabe die semantischen Tokens von AudioLM und nutzt bidirektionale Aufmerksamkeit sowie parallelisiertes Decoding basierend auf Konfidenzwerten, um die Tokens eines neuronalen Audiocodecs zu generieren. Im Vergleich zum autoregressiven Ansatz von AudioLM erzeugt unser Modell Audio von gleicher Qualität und mit höherer Konsistenz in Stimme und akustischen Bedingungen, während es zwei Größenordnungen schneller ist. SoundStorm generiert 30 Sekunden Audio in 0,5 Sekunden auf einem TPU-v4. Wir demonstrieren die Fähigkeit unseres Modells, die Audiogenerierung auf längere Sequenzen zu skalieren, indem wir hochwertige, natürliche Dialogsegmente synthetisieren, basierend auf einem Transkript, das mit Sprecherwechseln annotiert ist, und einem kurzen Prompt mit den Stimmen der Sprecher.
English
We present SoundStorm, a model for efficient, non-autoregressive audio
generation. SoundStorm receives as input the semantic tokens of AudioLM, and
relies on bidirectional attention and confidence-based parallel decoding to
generate the tokens of a neural audio codec. Compared to the autoregressive
generation approach of AudioLM, our model produces audio of the same quality
and with higher consistency in voice and acoustic conditions, while being two
orders of magnitude faster. SoundStorm generates 30 seconds of audio in 0.5
seconds on a TPU-v4. We demonstrate the ability of our model to scale audio
generation to longer sequences by synthesizing high-quality, natural dialogue
segments, given a transcript annotated with speaker turns and a short prompt
with the speakers' voices.