SoundStorm: Generación Eficiente de Audio en Paralelo

SoundStorm: Efficient Parallel Audio Generation

May 16, 2023

Autores: Zalán Borsos, Matt Sharifi, Damien Vincent, Eugene Kharitonov, Neil Zeghidour, Marco Tagliasacchi

cs.AI

Resumen

Presentamos SoundStorm, un modelo para la generación eficiente y no autorregresiva de audio. SoundStorm recibe como entrada los tokens semánticos de AudioLM y se basa en atención bidireccional y decodificación paralela basada en confianza para generar los tokens de un códec de audio neuronal. En comparación con el enfoque de generación autorregresiva de AudioLM, nuestro modelo produce audio de la misma calidad y con mayor consistencia en la voz y las condiciones acústicas, siendo dos órdenes de magnitud más rápido. SoundStorm genera 30 segundos de audio en 0.5 segundos en un TPU-v4. Demostramos la capacidad de nuestro modelo para escalar la generación de audio a secuencias más largas mediante la síntesis de segmentos de diálogo naturales y de alta calidad, dado un texto transcrito anotado con turnos de hablantes y un breve indicador con las voces de los interlocutores.

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.