Meta 推出 AI 音频模型 Audiobox，支持语音及文字同时输入

IT之家 12 月 4 日消息，Meta 日前推出了一款 AI 声音生成模型 Audiobox，能够同时接收语音及文字输入，用户可同时使用语音及文字描述，让这款模型生成所需的音频。

据悉，这款模型基于 Meta 今年 6 月推出的 Voicebox AI 模型，据称 Audiobox 能生成各种环境音、自然对话语音，并整合了音频生成和编辑能力，以便于用户自由生成自己所需的音频。

Meta 介绍称，生成高品质音频需要有大量音频库及深厚的领域知识，但大众难以获得这些资源，而该公司推出这个模型旨在降低声音生成门槛，让任何人都更容易制作视频、游戏等应用场景的音效。

IT之家发现，这款 Audiobox 模型基于 Voicebox 的“引导声音”机制，以便于生成目标音频，并配合“流量比对（flow-matching）”扩散模型生成方法，以实现“声音填充（audio infilling）”功能，从而生成多层次的音频。

Meta 测试生成带有雷暴声的下雨音频，并输入一系列提示句进行演示，例如“流水声伴随鸟鸣”、“以高音调快节奏说话的年轻女性”等；同时测试了同时输入人声及文字提示，以生成带有情绪（“哀痛而缓慢”）并拥有背景音（身处教堂）的语音。

Meta 声称，Audiobox 在音质及“生成内容的准确度” 顺利击败了 AudioLDM2、VoiceLDM 及 TANGO，超越了现有最佳的音频生成模型。

目前 Audiobox 已经开放向特定研究人员及学术界试用，以供测试模型品质及安全性，Meta 声称，他们计划“再过几周将社会全面公开该模型”。