「オーディオジェネレーションのための新しいメタAIの基礎研究モデル、オーディオボックスに会ってください」

「オーディオジェネレーションのための魅力的な新メタAIモデル、オーディオボックスの出現！」

“`html

メディアやエンターテイメントの分野において、オーディオは重要な役割を果たします。映画やポッドキャスト、オーディオブック、ビデオゲームなど、すべてに影響を与えます。しかし、高品質のオーディオの制作には、豊富な音源ライブラリと深いドメインの専門知識が必要です。

そのため、メタリサーチャーは、音声入力と自然言語テキストのプロンプトの組み合わせを使用して音声や効果音を生成できる新しいAIモデルであるAudioboxを開発しました。これにより、さまざまなユースケースにカスタムオーディオを簡単に作成することが可能です。スピーチ、効果音、音景の統一された生成と編集機能を持っています。

研究者たちは、さまざまなオーディオ要素の生成と編集の能力を結びつけた大きな進歩であると強調しています。音声入力と自然言語テキストのプロンプトを組み合わせて音声や効果音を生成できるため、さまざまなユースケースにカスタムオーディオを簡単に作成できます。

• ジョンズ・ホプキンス大学とUCサンタクルーズ校の研究者が、画像ベースのAI学習の画期的な進歩であるD-iGPTを発表しました
• スタンフォード大学とFAIR Metaの研究者が、CHOIS（言語によってガイドされたリアルな3D人間対物体の相互作用を合成するための画期的なAI方法）を発表しました
• CMUとプリンストンの研究者がマンバを発表：多様なモードのディープラーニングアプリケーションにおいてトランスフォーマーの効率を超えるSSMアーキテクチャの画期的な進展

Audioboxは、Voiceboxの後継として作られ、先行モデルの能力を高めるだけでなく、多様なオーディオ要素の生成と編集を強化する統一プラットフォームを導入しています。

Audioboxの利点は、音声入力と自然言語のテキストプロンプトを組み合わせて音声や効果音を生成できることです。この方法により、さまざまなユースケースに独自のオーディオを作成するプロセスが容易になります。たとえば、ユーザーはAudioboxにテキストで望む音やスピーチのタイプを説明することができ、Audioboxが自動的に対応するオーディオを作成します。

また、ユーザーは自然言語のプロンプトを使用して希望するスピーチのスタイルを説明することもできます。Audioboxの適応性の利点の一つです。さらに、テキストプロンプトを使用してサウンド設定をカスタマイズすることもできます。たとえば、流れる川やさえずる鳥のいる静かな音景を作成するには、詳細なテキストプロンプトを入力するだけで、Audioboxがそのビジョンを実現します。

Audioboxの助けを借りると、ユーザーは声を異なる環境のものに聞こえるように変えることができます。テキストスタイルのプロンプトを音声入力に組み合わせることで、ユーザーは好みに合わせた合成音声を作成することができます。

研究者たちは、音質や関連性の点でAudioboxをAudioLDM2、VoiceLDM、そしてTANGOなどさまざまなモデルでテストし、Audioboxがそれらを上回ることを見つけました。さまざまなスピーチスタイルにおいて、スタイルの類似性で30％以上もVoiceboxを超える結果となりました。

研究者たちは、Audioboxがオーディオの作成を手軽にし、誰でもオーディオコンテンツの作成者になることを可能にすると述べています。

研究者たちは、一種類のオーディオしか生成できない特殊なオーディオ生成モデルではなく、どんなオーディオでも生成できる汎用的なオーディオ生成モデルを構築することを目指しています。

まとめると、Audioboxはオーディオ技術の進化における重要なモデルです。直感的なインターフェースと強力な機能により、オーディオの制作方法を再定義し、個々の音響的なビジョンを形作り、共有するための新しい可能性を開拓します。

この記事の元の投稿は「Audioboxをご紹介：Meta AIによるオーディオ生成の基礎研究モデル」です。

記事の著者はMarkTechPostです。

“`

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!