Fugatto：英伟达推出的多功能AI音频生成模型

2024-11-29 207

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

图像搜索，7款服务类型 1个月

简介： Fugatto是由英伟达推出的多功能AI音频生成模型，能够根据文本提示生成音频或视频，并修改现有音频文件。该模型基于增强型的Transformer模型，支持复杂的组合指令，具有强大的音频生成与转换能力，广泛应用于音乐创作、声音设计、语音合成等领域。

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

功能：根据文本描述生成音效和音乐，支持多种音频生成和转换任务。
技术：基于深度神经网络和大型语言模型，采用创新的数据生成方法和可组合音频表示转换技术。
应用：广泛应用于音乐创作、声音设计、语音合成和视频游戏音频制作等领域。

正文

Fugatto 是什么

公众号: 蚝油菜花 - fugatto.github.io/blob/main/index.md

Fugatto是由英伟达（NVIDIA）推出的音频合成和转换模型，全称为“Foundational Generative Audio Transformer Opus 1”。该模型能够根据文本提示生成音频或视频，并接收并修改现有的音频文件。Fugatto模型具有强大的能力，例如将钢琴旋律转换成人声演唱版本，或者改变口语录音中的口音和情绪表达。

Fugatto模型的架构基于增强型的Transformer模型，采用了自适应层归一化等特定修改，支持复杂的组合指令。这使得Fugatto在音频编辑和制作领域具有极高的应用价值。

Fugatto 的主要功能

音频生成与转换：根据文本描述生成音效和音乐，例如将钢琴演奏转换为人声歌唱，或改变录音的口音和情绪。
多任务学习：支持多种音频生成和转换任务，包括音乐创作、声音效果设计和语音合成等。
精细的艺术控制：通过引入ComposableART技术，用户可以组合多个指令，实现对声音属性的精细控制，调整音乐的节奏、音色，或改变语音的情感和口音。
动态音频生成：能够生成随时间变化的声音景观，用户可以控制声音的变化轨迹，音频内容更加丰富和生动。
多语言和口音支持：具备强大的多语言和口音能力，能生成各种语言的语音内容，支持多种口音和方言，音频创作更加贴近现实。
音景创作：可以为电影和音频制作创建身临其境的音景，能模拟自然现象的声音，例如雷雨声与鸟鸣声的结合，为用户提供丰富的听觉体验。
语音样本生成：能够生成新的语音样本，可以改变交付的语气和风格，为每次播放赋予独特的触感。

Fugatto 的技术原理

深度神经网络：基于深度神经网络，经过优化可以理解文本、将描述转换为声音，根据用户的特定需求调整其输出。
大型语言模型 (LLM)：使用大型语言模型来增强指令生成，能更好地理解和解释音频和文本提示之间的关系。
数据生成方法：采用创新的数据生成方法，超越了传统的监督学习。专门的数据集生成技术，创建各种音频和转换任务。
可组合音频表示转换 (ComposableART)：在推理过程中采用了称为ComposableART的技术，能组合在训练期间只能单独看到的指令。
时间插值：能够生成随时间变化的声音，NVIDIA将这一功能称为时间插值。例如，可以模拟暴雨穿过区域的声音，雷声逐渐增强，然后慢慢消失在远处。
生成新奇声音：与大多数只能重现所接触的训练数据的模型不同，Fugatto支持用户创建以前从未见过的音景。
Transformer模型的特定修改：架构基于经过特定修改（如自适应层归一化）增强的Transformer模型，有助于在不同输入之间保持一致性，比现有模型更好地支持作曲指令。