WaveNet 十年:Google 研究员复盘语音合成从波形生成到多模态 LLM
heiga_zen · x · 2026-09-09
Google 语音研究员 Heiga Zen 纪念 WaveNet 发布十周年,回顾语音合成技术的范式演进。
- WaveNet(2016):直接生成原始音频波形,颠覆了此前由拼接合成和统计参数合成主导的范式
- 端到端时代:Tacotron 等编码器-解码器模型实现从文本端到端生成声学特征;VITS、NaturalSpeech 等文本到波形模型进一步摆脱中间声学/语言学特征,直接输出高质量波形
- 与 LLM 融合:AudioLM+SoundStream、VALL-E 等将音频 token 化纳入 LLM 框架,如今语音合成已进入多模态大模型时代
作者作为亲历者提供了一手的技术史视角,兼具学习价值与行业史意义。
所属事件:WaveNet发表十周年：作者回顾语音合成演进(2 条相关)→
「研究」频道最新
- ValsAI 发布 Tax Agent Bench：391 道专家题考 LLM 企业税务研究 — JenniferHli · 2026-09-09
- 首批实验室证据：扩大 Agent 群体规模也能提升性能，或是新的 scaling law — Afinetheorem · 2026-09-09
- OpenAI 宣称 88 小时破解千禧年难题 Navier-Stokes — nordicinst · 2026-09-09
- ICML 2026 最佳论文「LLM 记忆了多少数据」被 AI 实习生以不到 8 美元复现 — _akhaliq · 2026-09-09
- DeepMind 开放 AlphaGenome Atlas：90 亿个人类基因组突变预测可搜索查询 — JMateosGarcia · 2026-09-09
- Buckmaster 与 Alpöge 论文全公开：欧拉方程 112 页等三篇 — xennygrimmato_ · 2026-09-09