百科问答小站 logo
百科问答小站 font logo



如何看待米哈游逆熵科技AI生成的鹿鸣声音? 第1页

  

user avatar   jiayu2dai 网友的相关建议: 
      

ai生成声音和ai生成声音是不同的。就好像自行车和布加迪威龙都是车,但技术路线,复杂度,安全水平等各个方面完全不同一样。

我们从目的来分析,ai生成声音的目的是将一段文字,生成成声音。而按照主流技术路线,实现该目的的模块主要有两个——

一:将文字生成成声音特征。

二:将特征生成成声音。

其中,第二个模块是非常成熟的。lpcnet就是个比较不错的声码器,玩通这个模块只需要一个本科毕业生的水平就够了。这个不用多说,技术难点肯定不在这里(虽然他们做的并不好,只是没被发现而已。如43秒的“公主美丽善良”,弄成了“公主美一啥痒”但侧面证实了这是真ai,不是人手修音出来的,不然这么大的问题不可能没人发现)

难点在于,如何将文字生成成声音特征。特征是什么?特征一般包含了共振峰信息和音高。不懂的也不用深究,总之共振峰信息比较简单生成,你甚至可以用码本来完成。

音高信息则比较难。如果是一个字,那么很简单,音高设为一个正常女声的音高就行了。但要一句话,有音高起伏,有连续性,让人感觉到自然,那是很难的。wavenet这种快十年没有一点质量进步的模型更不用考虑了,肯定不是。

从产品的角度上来说,这是一款抓住用户痛点的产品。从技术的角度上来说,如果这段音频是输入文字得到共振峰信息,然后手动加入音高信息,然后放入声码器输出人声,那技术含量是较低的。如果是输入文字信息和起始音高,自动得到共振峰信息和音高信息,然后声码器输出人声,那么这个技术是逆天的。要真有这么个东西,我工作不做了,直接去他们公司把源码偷出来,坐牢都愿意。

其中有两句学猪叫,这属于清音。汉语中是没有纯粹的清音的。因此清音是没有办法通过自动生成的特征得来的。我认为这个ai还是技术含量不高的那一类。




  

相关话题

  如何评价原神活动魔药研析的难度? 
  有什么事情,在科技落后的时候做了会付出惨重代价,而在科技发达的今天却相对轻易做到? 
  我们难道必须发展人工智能吗? 
  什么是机器学习? 
  如何评价《原神》新五星角色「珊瑚宫心海」? 
  AI 自己不会思考,为什么叫做人工智能? 
  如何评价轮子哥认为alphago(master)是靠暴力下棋? 
  你最希望哪些技术/事物从未被发明/发现? 
  为什么很多人不喜欢面部识别技术,因为怕被侵犯隐私? 
  如何评价 8 月 26 日李楠举办的怒喵科技首场发布会?有什么亮点和槽点? 

前一个讨论
请问机器学习中的预测与决策的区别是什么,他们的界限在哪里呢?
下一个讨论
半导体器件和材料研究生方向哪个更好?





© 2025-05-26 - tinynew.org. All Rights Reserved.
© 2025-05-26 - tinynew.org. 保留所有权利