上海 AI 实验室联合港中大（深圳）开源音频生成平台 Amphion

上海人工智能实验室（上海AI实验室）与香港中文大学（深圳）联合团队推出 AI 音频生成平台安菲翁（Amphion）。现已开源并提供免费商用。

其不仅具备语音及歌声合成转换、音效及音乐生成等多种能力，更可实现转换过程可视化，有效地降低了应用门槛，助力更广泛的开发者进行AI音频研发。

Amphion为古希腊神话中的传奇音乐家，传说其弹奏的优美琴声可让顽石感灵。上海AI实验室联合团队借此为AI音频生成平台命名，希望通过AI技术的创新为音频领域注入全新的研究思路，开源开放，“声”生不息。

集成经典模型架构，实现多项生成任务

为帮助初级开发者入门AI音频生成研究并使研究过程可复现，Amphion将当前多个经典模型架构集中于统一平台，使其可实现多项音频生成任务。

歌声转换 （SVC, Singing Voice Conversion）

歌声转换是指通过 AI 技术，将一位演唱者的音色转变为另一位演唱者。该技术涉及信号处理、机器学习、深度学习等领域。

Amphion系统集成了经典的特征提取模型用于SVC任务，包括经典的扩散模型、VITS模型及OpenAI的Whisper模型等。基于扩散的架构使用双向扩张 CNN作为后端，并支持DDPM、DDIM、PNDM等多种采样算法。此外，Amphion还支持基于一致性模型的单步推理。

目前，Amphion的特征设计已被当前业内流行的音频生成项目So-VITS-SVC 5.0借鉴。

文生语音（TTS, Text To Speech）

文生语音即输入文字转成相应语音的技术。当前，该模块主要采用了深度学习技术，将文本转换成自然流畅的高拟真度语音。在TTS任务模块，Amphion 系统集成了经典 FastSpeech2 模型、VITS 模型以及zero-shot 语音合成技术，即 Vall-E，NaturalSpeech2。

文生音频（TTA, Text To Audio）

文生音频指将文字输入转为音乐、场景音效等特定音频的技术。Amphion 集成了当下主流的文本驱动音频生成模型架构，即基于 VAE Encoder、Decoder 和 Latent Diffusion 的文本驱动的音频生成算法。在该架构下，Latent Diffusion 扩散模型以 T5 编码后的文本为输入，根据文本的指引生成对应的音频效果。

文生音频模型或将对文化创作产生积极深远的影响，从业者或可利用此项技术，根据特定需求生成场景音效，省去从头采集环节，提升生产效率。

声码器（Vocoder）是产生高质量音频信号的重要模块。为确保所生成音频的高音质输出，Amphion集成了目前广泛使用的神经声码器（Neural Vocoders），包括BigVGAN、HiFi-GAN、DiffWave等主流声码器。

技术报告显示，Amphion中的HiFi-GAN声码器在多项指标上领先于当前热门开源工具。

可视化功能

与传统的音频开源工具不同，Amphion提供了生成过程可视化及音频可视化功能。联合团队旨在通过可视化，使初级开发者者更好地理解模型的原理和细节。下图为在扩散模型中的SVC任务，形象地呈现出由一位歌手音色转换为另外一位歌手音色的渐变过程。