近日，香港中文大学（深圳）联手趣丸科技推出了新一代大规模声音克隆TTS模型——MaskGCT。该模型在包含10万小时多语言数据的Emilia数据集上进行训练，展现出超自然的语音克隆、风格迁移以及跨语种生成能力，同时保持了较强的稳定性。MaskGCT已在香港中文大学（深圳）与上海人工智能实验室联合开发的开源系统Amphion发布，Amphion今天登上了Github global trending榜首！
论文链接：https://arxiv.org/abs/2409.00750
Demo展示：https://modelscope.cn/studios/amphion/maskgct
Amphion地址：https://github.com/open-mmlab/Amphion
模型下载：https://modelscope.cn/models/amphion/MaskGCT
项目地址：https://github.com/open-mmlab/Amphion/tree/main/models/tts/maskgct
公测版地址（趣丸千音）：voice.funnycp.com
现有大规模文本到语音（TTS）系统通常分为自回归和非自回归系统。自回归系统隐式地建模持续时间，但在鲁棒性和持续时间可控性方面存在一定缺陷。非自回归系统在训练过程中需要显式的文本与语音对齐信息，并预测语言单元（如音素）的持续时间，这可能会影响其自然度。
![]()
本文介绍了一种名为Masked Generative Codec Transformer（MaskGCT）的全非自回归TTS模型，该模型消除了文本与语音监督之间的显式对齐需求，以及音素级持续时间预测。MaskGCT是一个两阶段模型：在第一阶段，模型使用文本预测从语音自监督学习（SSL）模型中提取的语义标记；在第二阶段，模型基于这些语义标记预测声学标记。MaskGCT遵循掩码预测学习范式。在训练过程中，MaskGCT学习根据给定的条件和提示预测掩码的语义或声学标记。在推理过程中，模型以并行方式生成指定长度的标记。通过对10万小时的自然语音进行实验，结果表明MaskGCT在质量、相似度和可理解性等方面是业内领先的零样本TTS系统。
![]()
MaskGCT模型由四个主要组件组成：
语音语义表示编解码器：将语音转换为语义标记。
语音声学编解码器：从声学标记重建波形。
文本到语义模型：使用文本和提示语义标记预测语义标记。
语义到声学模型：基于语义标记预测声学标记。
语音语义表示编解码器用于将语音转换为离散的语义标记，这些标记通常通过离散化来自语音自监督学习（SSL）模型的特征获得。与以往使用k-means方法离散化语义特征相比，这种方法可能导致信息损失，从而影响高质量语音的重建或声学标记的精确预测，尤其是在音调丰富的语言中。为了最小化信息损失，本文训练了一个VQ-VAE模型来学习一个向量量化码本，该码本能够从语音SSL模型中重建语音语义表示。具体来说，使用W2v-BERT 2.0模型的第17层隐藏状态作为语音编码器的语义特征，编码器和解码器由多个ConvNext块组成。通过改进的VQ-GAN和DAC方法，使用因子分解码将编码器输出投影到低维潜在变量空间。语音声学编解码器旨在将语音波形量化为多层离散标记，同时尽可能保留语音的所有信息。本文采用残差向量量化（Residual Vector Quantization, RVQ）方法，将24K采样率的语音波形压缩为12层的离散标记。此外，模型使用Vocos架构作为解码器，以提高训练和推理效率。
![]()
文本到语义模型采用非自回归掩码生成Transformer，而不使用自回归模型或任何文本到语音的对齐信息。在训练过程中，我们随机提取语义标记序列的前缀部分作为提示，以利用语言模型的上下文学习能力。我们使用Llama风格的Transformer作为模型的主干，结合门控线性单元（GLU）和GELU激活函数、旋转位置编码等，但将因果注意力替换为双向注意力。还使用了接受时间步t作为条件的自适应RMSNorm。在推理过程中，我们生成任意指定长度的目标语义标记序列，条件是文本和提示语义标记序列。本文还训练了一个基于流匹配的持续时间预测模型，以预测基于文本和提示语音持续时间的总持续时间，利用上下文学习。语义到声学模型同样采用非自回归掩码生成Transformer，该模型以语义标记为条件，生成多层声学标记序列以重建高质量语音波形。
![]()
MaskGCT 能超自然地模拟参考音频音色与风格，并跨语言生成音频：
参考音频：
中文克隆效果：
英文克隆效果：
“耳边细语”也可以实现：
参考音频：
英文克隆效果：
中文克隆效果：
与基于自回归的TTS系统相比，MaskGCT具有更强的稳定性，绕口令也不在话下：
The great Greek grape growers grow great Greek grapes one one one.
效果链接：
墙上画凤凰，凤凰画在粉红墙。红凤凰、粉凤凰，红粉凤凰、花凤凰。红凤凰，黄凤凰，红粉凤凰，粉红凤凰，花粉花凤凰。
此外，MaskGCT还可以控制生成音频的语速：
快速：
中等：
SOTA的语音合成效果：MaskGCT在三个TTS基准数据集上都达到了SOTA的效果，某些指标上甚至超过了人类水平。![]()
此外，MaskGCT在风格迁移（口音、情感）也达到了SOTA的水准：![]()
我们还研究了MaskGCT在中、英外其它语言的能力：![]()
目前，MaskGCT在短剧出海、数字人、智能助手、有声读物、辅助教育等领域拥有丰富的应用场景。为了加快落地应用，在安全合规下，趣丸科技打造了多语种速译智能视听平台“趣丸千音”。一键上传视频即可快速翻译成多语种版本，并实现字幕修复与翻译、语音翻译、唇音同步等功能。该产品进一步革新视频翻译制作流程，大幅降低过往昂贵的人工翻译成本和冗长的制作周期，成为影视、游戏、短剧等内容出海的理想选择平台。《2024年短剧出海白皮书》显示，短剧出海成为蓝海新赛道，2023年海外市场规模高达650亿美元，约为国内市场的12倍，短剧出海成为蓝海新赛道。以“趣丸千音”为代表的产品的出现，将加速国产短剧“走出去”，进一步推动中华文化在全球不同语境下的传播。
MaskGCT是一个大规模的零样本TTS系统，利用全非自回归掩码生成编解码器Transformer，无需文本与语音的对齐监督和音素级持续时间预测。MaskGCT通过文本预测从语音自监督学习（SSL）模型中提取的语义标记，然后基于这些语义标记预测声学标记，实现了高质量的文本到语音合成。实验表明，MaskGCT在语音质量、相似度和可理解性方面优于最先进的TTS系统，并且在模型规模和训练数据量增加时表现更佳，同时能够控制生成语音的总时长。此外，我们还探索了MaskGCT在语音翻译、语音转换、情感控制和语音内容编辑等任务中的可扩展性，展示了MaskGCT作为语音生成基础模型的潜力。
