趣丸科技聯(lián)合港中大（深圳）開源首個語音大模型，效果全球領(lǐng)先躋身第一梯隊

10月24日，趣丸科技宣布與香港中文大學(xué)（深圳）聯(lián)合研發(fā)的語音大模型“MaskGCT”正式開源，面向全球用戶開放使用。區(qū)別于傳統(tǒng)TTS模型，該模型采用掩碼生成模型與語音表征解耦編碼的創(chuàng)新范式，在聲音克隆、跨語種合成、語音控制等任務(wù)中展現(xiàn)出卓越效果。

據(jù)介紹，MaskGCT在三個TTS基準(zhǔn)數(shù)據(jù)集上都達(dá)到了SOTA效果，超過當(dāng)前最先進(jìn)的同類模型，某些指標(biāo)甚至超過人類水平。顯著特點如下：

1、秒級超逼真的聲音克隆：提供3秒音頻樣本即可復(fù)刻人類、動漫、“耳邊細(xì)語”等任意音色，且能完整復(fù)刻語調(diào)、風(fēng)格和情感。

2、更精細(xì)可控的語音生成：可靈活調(diào)整生成語音的長度、語速和情緒，支持通過編輯文本編輯語音，并保持韻律、音色等方面的極度一致。

3、高質(zhì)量多語種語音數(shù)據(jù)集：訓(xùn)練于香港中文大學(xué)（深圳）和趣丸科技等機(jī)構(gòu)聯(lián)合推出的10萬小時數(shù)據(jù)集Emilia，是全球最大且最為多樣的高質(zhì)量多語種語音數(shù)據(jù)集之一，精通中英日韓法德6種語言的跨語種合成。

據(jù)介紹，MaskGCT（Masked Generative Codec Transformer）是一個大規(guī)模的零樣本TTS模型，采用非自回歸掩碼生成Transformer，無需文本與語音的對齊監(jiān)督和音素級持續(xù)時間預(yù)測。其技術(shù)突破性在于采用掩碼生成模型與語音表征解耦編碼的創(chuàng)新范式。實驗表明，MaskGCT在語音質(zhì)量、相似度和可理解性方面優(yōu)于當(dāng)前最先進(jìn)的TTS模型，并且在模型規(guī)模和訓(xùn)練數(shù)據(jù)量增加時表現(xiàn)更佳，同時能夠控制生成語音的總時長。MaskGCT已在香港中文大學(xué)（深圳）與上海人工智能實驗室聯(lián)合開發(fā)的開源系統(tǒng)Amphion發(fā)布。

該模型研發(fā)團(tuán)隊在語音領(lǐng)域擁有深厚的研究積累和原創(chuàng)性成果。這主要依托趣丸科技十年深耕音頻技術(shù)領(lǐng)域和億級高質(zhì)量語音用戶的服務(wù)經(jīng)驗，以及香港中文大學(xué)（深圳）國際一流水平的師資隊伍。早在今年5月份，趣丸科技就與香港中文大學(xué)（深圳）宣布共建聯(lián)合實驗室，針對人工智能音頻大模型相關(guān)的前沿課題進(jìn)行研究，旨在突破行業(yè)難題，促進(jìn)產(chǎn)學(xué)研深度融合，打造技術(shù)領(lǐng)先的生成式音頻大模型，填補(bǔ)業(yè)界空白。

目前，MaskGCT在短劇出海、數(shù)字人、智能助手、有聲讀物、輔助教育等領(lǐng)域擁有豐富的應(yīng)用場景。為了加快落地應(yīng)用，在安全合規(guī)下，趣丸科技打造了多語種速譯智能視聽平臺“趣丸千音”。一鍵上傳視頻即可快速翻譯成多語種版本，并實現(xiàn)字幕修復(fù)與翻譯、語音翻譯、唇音同步等功能。該產(chǎn)品進(jìn)一步革新視頻翻譯制作流程，大幅降低過往昂貴的人工翻譯成本和冗長的制作周期，成為影視、游戲、短劇等內(nèi)容出海的理想選擇平臺。