Audiobox：Meta推出的基于语音和自然语言提示的音频生成模型

Meta最新发布的Audiobox是一款研究模型，它结合了语音输入和自然语言提示，能够生成各种声音，包括语音、音效和音景。这项技术继承自Voicebox，推动了音频生成领域的进一步发展。

Audiobox的核心特性

Audiobox在Voicebox的基础上增加了更强的可控性和灵活性。用户现在可以通过文本描述来精确指定声音的风格，这是之前模型所不具备的。这种结合语音输入和文本提示的方法，使用户能够自由地重塑语音，这在现有的技术中尚属首次。

例如，用户如果想生成一片自然的音景，只需提供一个相关的文本提示，如“一条奔流的河流和鸟儿的鸣叫”，Audiobox便能根据描述生成相应的声音环境。

性能与应用

在内部测试中，Audiobox在声音质量和相关性方面都表现出色，超越了先前的模型。与Voicebox相比，它在主观评估中的样式相似性提高了超过30%。这一进步表明Audiobox在执行复杂音频任务方面的能力。

Audiobox的应用场景极为广泛，从视频制作、播客制作到游戏开发等，均可利用这一技术生成所需的音频效果，极大地降低了音频创作的门槛，使得任何人都能轻松成为音频内容创作者。

研究与合作

为了确保技术的安全和负责任的应用，Meta计划邀请研究人员和学术机构申请资金，支持Audiobox的相关研究。这反映了Meta对AI技术发展的重视，同时强调了与研究社区合作的重要性。

了解更多信息

对于有兴趣了解更多关于Audiobox的详细信息、性能测试结果和应用示例的用户和开发者，可以访问Meta的官方博客页面：点击这里。