全球領(lǐng)先的計算技術(shù)公司英偉達近日宣布了一項革命性的創(chuàng)新成果——Fugatto，一款基于生成式Transformer架構(gòu)的人工智能模型，被譽為音頻領(lǐng)域的“瑞士軍刀”。

Fugatto擁有25億個參數(shù)，并在由32個NVIDIA H100 Tensor Core GPU組成的NVIDIA DGX系統(tǒng)上進行了訓(xùn)練，使其能夠執(zhí)行多種復(fù)雜的音頻生成和轉(zhuǎn)換任務(wù)。這款模型專為音樂、電影和視頻游戲制作人設(shè)計，旨在幫助他們以前所未有的方式創(chuàng)作和編輯音頻內(nèi)容。

據(jù)NVIDIA應(yīng)用音頻研究經(jīng)理Rafael Valle介紹，F(xiàn)ugatto的研發(fā)目標是創(chuàng)建一個能夠像人類一樣理解和生成聲音的模型。它不僅能夠根據(jù)文本描述生成音效和音樂，還能實現(xiàn)如將鋼琴演奏轉(zhuǎn)換成人聲歌唱、改變錄音的口音和情緒等高級功能。

對于音樂制作人來說，F(xiàn)ugatto將極大地提升工作效率和創(chuàng)意空間。他們可以快速制作音樂原型、嘗試不同的風格、聲音和樂器，同時提高現(xiàn)有軌道的音頻質(zhì)量。廣告代理商和視頻游戲開發(fā)人員同樣能從中受益，前者可以快速調(diào)整廣告活動的口音和情感，后者則能動態(tài)創(chuàng)建游戲內(nèi)音頻素材或修改預(yù)錄制的音頻。

Fugatto的創(chuàng)新性體現(xiàn)在多個方面。首先，它采用了ComposableART技術(shù)，能夠在推理過程中組合在訓(xùn)練期間單獨學(xué)習的指令，如將法國口音與悲傷情緒相結(jié)合。其次，該模型具有指令插值能力，允許用戶對文本指令進行精細控制，如調(diào)整重音和情緒強度。此外，F(xiàn)ugatto還能生成隨時間變化的聲音，如模擬暴雨逐漸增強又慢慢消失的場景，為音景創(chuàng)作提供了更多可能性。

最重要的是，與大多數(shù)只能重現(xiàn)訓(xùn)練數(shù)據(jù)的模型不同，F(xiàn)ugatto能夠創(chuàng)造出全新的音景，如雷雨逐漸緩和為黎明的場景，展示了其在音頻生成領(lǐng)域的無限潛力。

隨著Fugatto的發(fā)布，英偉達再次展示了其在人工智能領(lǐng)域的領(lǐng)導(dǎo)地位，為音頻創(chuàng)作和編輯帶來了前所未有的創(chuàng)新和便利。這款“聲音的瑞士軍刀”無疑將在音樂、廣告和視頻游戲等多個行業(yè)中發(fā)揮重要作用，開啟音頻創(chuàng)作的新紀元。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。