曉查 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

由於和英偉達研究撞車，韓國一位研究語音合成的作者已經哭暈了。

10月31日，英偉達在arXiv網站上傳了一篇論文——WaveFlow：一個用於音頻合成基於流的生成網路。

英偉達論文地址：

arxiv.org/abs/1811.0000

而一位韓國首爾大學的學生髮現，自己的研究成果竟然和英偉達高度相似，為了和英偉達搶時間，他們在11月6日趕緊也向arXiv上傳了論文。

論文第二作者昨晚還在reddit發帖，並搶時間放出源代碼，以此安慰在角落哭泣的第一作者。

FloWaveNet項目

這位韓國學生公布的FloWaveNet，是一種基於流生成模型的原始音頻合成方法，只需要一個最大似然損失，不需要其他額外的損失函數。該模型可以實時高效地採樣原始音頻，而且合成音頻的清晰度已經能和WaveNet相媲美。

英偉達也公布了自己的WaveGlow：一種基於流的網路，能夠從梅爾頻譜圖（mel-spectrograms）中合成高質量的語音。 它借鑒了OpenAI的生成網路Glow和DeepMind的WaveNet，能夠提供快速，高效和高質量的音頻合成，而無需自動回歸（auto-regression）。 WaveGlow僅由單一成本函數進行訓練，使用單一網路實現，使得訓練過程簡單而穩定。

源代碼與合成音頻樣品

作者已經在GitHub上公布了FloWaveNet源代碼，並和百度研究院數月前發布的語音合成項目ClariNet進行對比。

FloWaveNet項目地址：

github.com/ksw0306/FloW

ClariNet項目地址：

github.com/ksw0306/Clar

這兩個項目都是基於PyTorch實現，此外用戶還需要安裝音頻分析包librosa。

為了展示效果，作者還放出了與原始音頻、WaveNet合成音頻樣品的對比（第一段為原始音頻、第二段為FloWaveNet合成，第三段為WaveNet合成）：

合成語音對比來自量子位00:0000:22

另外，英偉達也放出了自己的WaveGlow的項目和多段音頻對比，但是卻沒有提供源代碼：

nv-adlr.github.io/WaveG

不過，有英偉達論文的第三方PyTorch實現可用：

github.com/npuichigo/wa

因禍得福

帖子發出後2個小時內，獲得了熱烈討論。有人分享了類似「撞車」經驗，表示單槍匹馬很難與大公司眾多工程師競爭，自己開始某項研究數月後，就被DeepMind搶發了論文。

不過還是有人鼓勵作者，英偉達的WaveGlow目前僅僅是提交到arXiv，還未正式發表，希望作者不要擔心。

很快帖子就吸引來了行業大咖。英偉達WaveGlow作者之一、負責應用深度學習的副總裁Bryan Catanzaro在回帖中點贊，並且拋出了橄欖枝，希望發帖者能夠去英偉達實習。

不知道這算不算因禍得福呢？

— 完 —

歡迎大家關注我們的專欄：量子位 - 知乎專欄

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

量子位 QbitAI· 頭條號簽約作者

?? ? 追蹤AI技術和產品新動態

推薦閱讀：

相关文章