SoundStorm: Эффективное параллельное генерация аудио
SoundStorm: Efficient Parallel Audio Generation
May 16, 2023
Авторы: Zalán Borsos, Matt Sharifi, Damien Vincent, Eugene Kharitonov, Neil Zeghidour, Marco Tagliasacchi
cs.AI
Аннотация
Мы представляем SoundStorm — модель для эффективной неавторегрессивной генерации аудио. SoundStorm принимает на вход семантические токены AudioLM и использует двунаправленное внимание и параллельное декодирование на основе уверенности для генерации токенов нейронного аудиокодека. По сравнению с авторегрессивным подходом генерации AudioLM, наша модель создает аудио того же качества, но с большей согласованностью голоса и акустических условий, при этом работая на два порядка быстрее. SoundStorm генерирует 30 секунд аудио за 0,5 секунды на TPU-v4. Мы демонстрируем способность нашей модели масштабировать генерацию аудио на более длинные последовательности, синтезируя высококачественные, естественные диалоговые сегменты на основе транскрипта с аннотацией смены говорящих и короткого промпта с голосами участников.
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.