NVIDIA 发布 BigVGAN v2：开创零样本波形音频生成

根据 NVIDIA 技术博客，NVIDIA 宣布发布 BigVGAN v2，一款创新的零样本波形音频生成 AI 模型。新模型在速度和质量上实现了显著提升，定位为音频生成 AI 领域的最先进解决方案。

BigVGAN：通用神经声码器

BigVGAN 是一款通用神经声码器，设计用于从 Mel 频谱图合成音频波形。该模型采用完全卷积架构，包含多个上采样块和残差扩张卷积层。一个关键功能是反混叠多周期组成 (AMP) 模块，优化生成高频和周期性声波，从而减少伪影。

BigVGAN v2 的改进

BigVGAN v2 引入了相对于其前身的几项改进：

• 最先进的音频质量，在各种指标和音频类型上表现优异。
• 高达3倍的合成速度，通过优化的 CUDA 内核实现。
• 预训练检查点，适用于多种音频配置。
• 支持最高采样率达 44 kHz，覆盖人耳可听到的最高频率。

生成世界上的每一种声音

波形音频生成对虚拟世界至关重要，并且一直是研究的重要焦点。BigVGAN v2 通过提供高质量、细节丰富的音频解决了以前的限制。该模型使用 NVIDIA A100 Tensor Core GPUs 进行训练，训练数据集比其前身大100多倍。BigVGAN v2 能够从各种领域生成高质量的声波，包括语音、环境声音和音乐。

达到人耳可以检测到的最高频率声波

以前的模型限制在 22 kHz 到 24 kHz 之间的采样率。BigVGAN v2 将这一范围扩展到 44 kHz，捕捉人类听觉范围内的全部频谱。这使得该模型能够再现全面的音景，从音乐中的强劲鼓声到清脆的镲音。

通过定制 CUDA 内核实现更快的合成

BigVGAN v2 还具有加速的合成速度，通过使用定制的 CUDA 内核实现高达3倍的推理速度。这些内核使得在单个 NVIDIA A100 GPU 上生成音频波形的速度高达实时的240倍。

音频质量的结果

BigVGAN v2 对语音和一般音频的音频质量表现优于其前身，并且在 44 kHz 采样率下与 Descript 音频编解码器相当。 这表明该模型能够在各种音频类型中生成高质量的波形。

结论

NVIDIA 的 BigVGAN v2 在音频合成方面树立了新基准，在所有音频类型上实现了最先进的质量，并覆盖了人类听觉的全频范围。该模型的合成速度现已提高到3倍，使其在各种音频配置中更为高效。

更多信息，用户可查看 GitHub 上的 BigVGAN v2 模型卡。