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 发布十周年：作者复盘语音合成范式十年变迁(5 条相关)→
「研究」频道最新
- 开源决策模型打《红色警戒2》：先卖基地后自瞄自炸，训练后无人能敌 — heathercmiller · 2026-10-27
- DeepMind 论文：LLM 无法自行随机采样，需外部传入随机数 — rohanpaul_ai · 2026-10-27
- 世界模型新玩法：物体赋重量摩擦系数，物理引擎推演机器人动作 — jonstephens85 · 2026-10-27
- 剑桥等机构论文揭露图软提示的 token collapse 病态行为 — Sapienza · 2026-10-27
- Mathathon 2.0 启动：与陶哲轩 SAIR 合作，团队获 150 万美元算力 — _sathvikr · 2026-10-27
- 推友提出「甜课程」真实存在：两类 ML 问题应分而治之 — mike64_t · 2026-10-27