近期，港中大（深圳）联手趣丸科技联结推出了新一代大规模声响克隆 TTS 模型 ——MaskGCT。该模型在蕴含 10 万小时多言语数据的 Emilia 数据集上启动训练，展现出超人造的语音克隆、格调迁徙以及跨言语生成才干，同时坚持了较强的稳固性。MaskGCT 已在香港中文大学（深圳）与上海人工智能试验室联结开发的开源系统 Amphion 发布。
本文引见了一种名为 Masked Generative Codec Transformer（MaskGCT）的全非自回归 TTS 模型。
现有大规模文本到语音（TTS）系统通常分为自回归和非自回归系统。自回归系统隐式地建模继续期间，但在鲁棒性和继续期间可控性方面存在必定毛病。非自回归系统在训练环节中须要显式的文本与语音对齐消息，并预测言语单元（如音素）的继续期间，这或者会影响其人造度。
该模型消弭了文本与语音监视之间的显式对齐需求，以及音素级继续期间预测。MaskGCT 是一个两阶段模型：在第一阶段，模型经常使用文本预测从语音自监视学习（SSL）模型中提取的语义标志；在第二阶段，模型基于这些语义标志预测声学标志。MaskGCT 遵照掩码预测学习范式。在训练环节中，MaskGCT 学习依据给定的条件和揭示预测掩码的语义或声学标志。在推理环节中，模型以并行模式生成指定长度的标志。经过对 10 万小时的人造语音启动试验，结果标明 MaskGCT 在品质、相似度和可了解性方面优于最先进的零样本 TTS 系统。
MaskGCT 模型由四个重要组件组成：
1. 语音语义示意编解码器：将语音转换为语义标志。
2. 语音声学编解码器：从声学标志重建波形。
3. 文本到语义模型：经常使用文本和揭示语义标志预测语义标志。
4. 语义到声学模型：基于语义标志预测声学标志。
语音语义示意编解码器用于将语音转换为团圆的语义标志，这些标志通常经过团圆化来自语音自监视学习（SSL）模型的特色取得。与以往经常使用 k-means 方法团圆化语义特色相比，这种方法或者造成消息损失，从而影响高品质语音的重建或声学标志的准确预测，尤其是在音调丰盛的言语中。为了最小化消息损失，本文训练了一个 VQ-VAE 模型来学习一个向量量化码本，该码天性够从语音 SSL 模型中重建语音语义示意。详细来说，经常使用 W2v-BERT 2.0 模型的第 17 层暗藏形态作为语音编码器的语义特色，编码器和解码器由多个 ConvNext 块组成。经过改良的 VQ-GAN 和 DAC 方法，经常使用因子分解码将编码器输入投影到低维潜在变量空间。
语音声学编解码器旨在将语音波形量化为多层团圆标志，同时尽或者保管语音的一切消息。本文驳回残差向量量化（Residual Vector Quantization, RVQ）方法，将 24K 采样率的语音波形紧缩为 12 层的团圆标志。此外，模型经常使用 Vocos 架构作为解码器，以提高训练和推理效率。
文本到语义模型驳回非自回归掩码生成 Transformer，而不经常使用自回归模型或任何文本到语音的对齐消息。在训练环节中，咱们随机提取语义标志序列的前缀局部作为揭示，以应用言语模型的高低文学习才干。咱们经常使用 Llama 格调的 Transformer 作为模型的骨干，结合门控线性单元（GLU）和 GELU 激活函数、旋转位置编码等，但将因果留意力交流为双向留意力。还经常使用了接受期间步 t 作为条件的自顺应 RMSNorm。在推理环节中，咱们生成恣意指定长度的目的语义标志序列，条件是文本和揭示语义标志序列。本文还训练了一个基于流婚配的继续期间预测模型，以预测基于文本和揭示语音继续期间的总继续期间，应用高低文学习。
语义到声学模型雷同驳回非自回归掩码生成 Transformer，该模型以语义标志为条件，生成多层声学标志序列以重建高品质语音波形。
MaskGCT 能超人造地模拟参考音频音色与格调，并跨言语生成音频。
以下是一个展现 MaskGCT 翻译《黑神话：悟空》的实例：
SOTA 的语音分解效果：MaskGCT 在三个 TTS 基准数据集上都到达了 SOTA 效果，在某些目的上甚至超越了人类水平。
此外，MaskGCT 在格调迁徙（口音、情感）也到达了 SOTA 的水准：
咱们还钻研了 MaskGCT 在中、英外其它言语的才干：
目前，MaskGCT 在短剧出海、智能助手、有声读物、辅佐教育等畛域领有丰盛的运行场景。为了放慢落地运行，在安保合规下，趣丸科技打造了多语种速译智能视听平台 “趣丸千音”。一键上行视频即可极速翻译成多语种版本，并成功音话同步、口型同步、去字幕等性能。该产品进一步改造视频翻译制造流程，大幅降落过往低廉的人工翻译老本和简短的制造周期，成为影视、游戏、短剧等外容出海的现实选用平台。
《2024 年短剧出海白皮书》显示，短剧出海成为蓝海新赛道，2023 年海外市场规模高达 650 亿美元，约为国际市场的 12 倍，短剧出海成为蓝海新赛道。以 “趣丸千音” 为代表的产品的产生，将减速国产短剧 “走进来”，进一步推进中华文明在环球不同语境下的流传。
MaskGCT 是一个大规模的零样本 TTS 系统，应用全非自回归掩码生成编解码器 Transformer，无需文本与语音的对齐监视和音素级继续期间预测。MaskGCT 经过文本预测从语音自监视学习（SSL）模型中提取的语义标志，而后基于这些语义标志预测声学标志，成功了高品质的文本到语音分解。试验标明，MaskGCT 在语音品质、相似度和可了解性方面优于最先进的 TTS 系统，并且在模型规模和训练数据量参与时体现更佳，同时能够控制生成语音的总时长。此外，咱们还探求了 MaskGCT 在语音翻译、语音转换、情感控制和语音内容编辑等义务中的可裁减性，展现了 MaskGCT 作为语音生成基础模型的后劲。