英伟达新发布的“Fugatto”模型能够通过创新的合成方法和推理技术，生成各种从未存在过的声音，包括混合音乐、语音和其他声音。虽然模型尚未公开测试，但其展示了许多独特的音频效果，展示了其潜力。
数据决定成败
在一篇解释性研究论文中，超过十位英伟达的研究人员通过利用大型语言模型 (LLM) 生成 Python 脚本，以创建大量描述不同音频“个性”的模板化和自由格式指令。由于广泛开源的 Fugatto 音频数据集通常缺乏特征测量，研究人员借助现有音频理解模型，为训练剪辑创建“合成标签”，并自动量化性别、情感和语音质量等特征。同时，他们还使用音频处理工具在声学层面描述和量化训练剪辑。
https://www.youtube.com/watch?v=qj1Sp8He6e4
在进行关系性比较时，研究人员依赖于在某一因素保持不变时另一个因素变化的数据集，例如相同文本的不同情感朗读。通过比较这些样本，模型能够学习哪些音频特征与“更快乐”的语音相关，或区分不同乐器的声音。
……更多详细细节请点击原文查看：Nvidia 推出最新 AI 音频模型，可制作前所未有的声音
