騰訊出品！AI音頻模型 EzAudio AI，讓文本秒變逼真聲音

近日，約翰霍普金斯大學與騰訊 AI 實驗室聯合推出了一款名爲 EzAudio 的新型文本到音頻生成模型。這項技術承諾以空前的效率和高品質文本轉換爲聲音，標誌着人工智能和音頻技術的重大飛躍。EzAudio 的工作原理是利用音頻波形的潛在空間，而不是傳統的聲譜圖，這一創新讓它能夠在高時間分辨率下工作，且無需額外的神經聲碼器。EzAudio 的架構被稱爲 EzAudio-DiT（擴散變換器），採用了多項技術創新來提高性能和效率。其中包括一種新的自適應層歸一化技術 AdaLN-SOLA、長跳連接，以及先進的