这段音频火爆外网！文字、图片一键生成逼真音效，音频界AIGC来了
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
近期AIGC如同上了热搜一般，火热程度居高不下，当然除了名头格外响亮，突破也是绝对斐然：输入自然语言就可自动生成图像、视频甚至是3D模型，你说意不意外？但在音频音效的领域，AIGC的福利似乎还差了一些。主要由于高自由度音频生成需要依靠大量文本-音频对数据，同时长时波形建模还有诸多困难。为了解决上述困难，浙江大学与北京大学联合火山语音，共同提出了一款创新的、文本到音频的生成系统，即Make-An-Audio。其可以将自然语言描述作为输入，而且是任意模态（例如文本、音频、图像、视频等）均可，同
近期 AIGC 如同上了热搜一般，火热程度居高不下，当然除了名头格外响亮，突破也是绝对斐然：输入自然语言就可自动生成图像、视频甚至是 3D 模型，你说意不意外？
但在音频音效的领域，AIGC 的福利似乎还差了一些。主要由于高自由度音频生成需要依靠大量文本 - 音频对数据，同时长时波形建模还有诸多困难。为了解决上述困难，浙江大学与北京大学联合火山语音，共同提出了一款创新的、文本到音频的生成系统，即 Make-An-Audio。其可以将自然语言描述作为输入，而且是任意模态（例如文本、音频、图像、视频等）均可，同时输出符合描述的音频音效，广大网友很难不为其可控性以及泛化性点赞。
- 论文链接：https://arxiv.org/abs/2301.12661
- 项目链接：https://text-to-audio.github.io
短短两天，Demo 视频在 Twitter 上获得了 45K 的播放量。
2023 年除夕后，以 Make-An-Audio、 MusicLM 等大量音频合成文章涌现，48 小时内已经有 4 篇突破性的进展。
网友评论 1
广大网友们纷纷表示，AIGC 音效合成将会改变电影、短视频制作的未来。
网友评论 2
网友评论 3
更有网友发出这样的感叹：「audio is all you need……」
网友评论 4
听觉效果展示
话不多说直接看效果，根据文本生成音效原来也可以如此便捷顺畅。
文本 1：a speedboat running as wind blows into a microphone
转化音频1音频：00:0000:09
文本 2：fireworks pop and explode
转化音频2音频：00:0000:09
是不是也一度因破损音频修复而大伤脑筋？Make-An-Audio 模型一出，这事儿就变得简单多了。
修复前
修复前音频
修复前音频音频：00:0000:09
修复后
修复后音频
修复后音频音频：00:0000:09
通过理解图片生成音效，也不是不可以。
图片 1
转化音频
图片转化音频音频：00:0000:09
图片 2
转化音频
图片转化音频2音频：00:0000:09
根据视频内容生成对应音效，这款模型也可以轻松做到。
视频 1
转化音频
视频1音频：00:0000:09
视频 2
转化音频
视频2音频：00:0000:09
模型内在技术原理
深度解析「网红」模型的神奇内在，还要回到音频 - 自然语言对数据稀少的客观问题上，对此浙大北大联合火山语音团队协同两大高校共同提出了Distill-then-Reprogram 文本增强策略，即使用教师模型获得音频的自然语言描述，再通过随机重组获得具有动态性的训练样本。
具体来说，在 Distill 环节中，使用音频转文本与音频 - 文本检索模型，找到语言缺失 (Language-Free) 音频的自然语言描述候选 (Candidate)，通过计算候选文本与音频的匹配相似度，在阈值下取得最佳结果作为音频的描述。该方法具有强泛化性，且真实自然语言避免了测试阶段的域外文本。「在 Reprogram 环节中，团队从额外的事件数据集中随机采样，并与当前训练样本相结合，得到全新的概念组合与描述，以扩增模型对不同事件组合的鲁棒性。」 研究团队表示。
Distill-then-Reprogram 文本增强策略框架图
如上图所示，自监督学习已经成功将图片迁移到音频频谱，利用了频谱自编码器以解决长音频序列问题，并基于 Latent Diffusion 生成模型完成对自监督表征的预测，避免了直接预测长时波形。
Make-An-Audio 模型系统框架图
此外在研究中团队还探索了强大的文本条件策略，包括对比式 Contrastive Language-Audio Pretraining (CLAP) 以及语言模型 (LLM) T5， BERT 等，验证了 CLAP 文本表征的有效与计算友好性。同时还首次使用 CLAP Score 来评估生成的音频，可以用于衡量文本和生成场景之间的一致性；使用主、客观相结合的评估方式，在 benchmark 数据集测试中验证了模型的有效性，展示了模型出色的零样本学习 (Zero-Shot) 泛化性等。
Make-An-Audio 与基线模型主客观评测实验结果
神奇模型的应用前景知多少？
总体来看，Make-An-Audio 模型实现了高质量、高可控性的音频合成，并提出了「No Modality Left Behind」，对文本条件音频模型进行微调 (finetune)，即能解锁对任意模态输入的音频合成 (audio/image/video)。
Make-An-Audio 首次实现高可控 X - 音频的 AIGC 合成，X 可以是文本 / 音频 / 图像 / 视频
在视觉指导的音频合成上，Make-An-Audio 以 CLIP 文本编码器为条件，利用其图像 - 文本联合空间，能够直接以图像编码为条件合成音频。
Make-An-Audio 视觉 - 音频合成框架图
可以预见的是，音频合成 AIGC 将会在未来电影配音、短视频创作等领域发挥重要作用，而借助 Make-An-Audio 等模型，或许在未来人人都有可能成为专业的音效师，都可以凭借文字、视频、图像在任意时间、任意地点，合成出栩栩如生的音频、音效。但现阶段 Make-An-Audio 也并不是完美无缺的，可能由于丰富的数据来源以及不可避免的样本质量问题，训练过程中难免会产生副作用，例如生成不符合文字内容的音频，Make-An-Audio 在技术上被定位是 “辅助艺术家生成”，可以肯定的一点，AIGC 领域的进展确实令人惊喜。
火山语音，长期以来面向字节跳动各大业务线提供全球优势的 AI 语音技术能力以及全栈语音产品解决方案，包括音频理解、音频合成、虚拟数字人、对话交互、音乐检索、智能硬件等。自 2017 年成立以来，团队专注研发行业领先的 AI 智能语音技术，不断探索 AI 与业务场景的高效结合，以实现更大的用户价值。目前其语音识别和语音合成已经覆盖了多种语言和方言，多篇技术论文入选各类 AI 顶级会议，为抖音、剪映、飞书、番茄小说、Pico 等业务提供了领先的语音能力，并适用于短视频、直播、视频创作、办公以及穿戴设备等多样化场景，通过火山引擎开放给外部企业。
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，