聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

機(jī)器之心對(duì)相關(guān)技術(shù)進(jìn)行了報(bào)道

機(jī)器之心編輯部

在AIGC技術(shù)持續(xù)突破視頻生成邊界的同時(shí)，音效制作仍是制約整個(gè)AIGC行業(yè)的技術(shù)瓶頸。字節(jié)跳動(dòng)豆包大模型語音團(tuán)隊(duì)提出的最新技術(shù)SeedFoley，通過端到端的架構(gòu)實(shí)現(xiàn)了視頻音效的智能生成，將AI視頻創(chuàng)作帶入「有聲時(shí)代」。相關(guān)功能「AI 音效」已在即夢(mèng)上線，用戶在生成視頻后選擇該功能即可獲得3個(gè)專業(yè)級(jí)音效方案。

App 端

Web 端

效果展示

先「聽」為快，這里展示了SeedFoly生成的視頻音效效果。

視頻鏈接：https://mp.weixin.qq.com/s/3boRnqsNDbxNl2rXGWuSrg

技術(shù)方案

SeedFoly是一種端到端的視頻音效生成架構(gòu)，通過融合時(shí)空視頻特征與改進(jìn)的擴(kuò)散生成模型，實(shí)現(xiàn)了音效與視頻的高度同步。首先，對(duì)視頻序列進(jìn)行幀率固定的抽幀提取，然后使用視頻編碼器提取視頻的表征信息，并將視頻表征投射到條件空間中。在改進(jìn)的擴(kuò)散模型框架下構(gòu)建音效生成路徑。

在訓(xùn)練階段，提取與語音和音樂相關(guān)的標(biāo)簽作為multi conditions的形式輸入，這種設(shè)計(jì)實(shí)現(xiàn)了音效與非音效的解耦。SeedFoly支持可變長(zhǎng)度的視頻輸入，在音效準(zhǔn)確性、音效同步性和音效匹配度等方面均表現(xiàn)出色，處于行業(yè)領(lǐng)先水平。

圖1：SeedFoly的模型架構(gòu)

視頻編碼器

在視頻編碼器部分，采用快慢特征融合的方法，通過提取高幀率下的局部運(yùn)動(dòng)信息和低幀率下的語義信息，實(shí)現(xiàn)了在低計(jì)算資源下高效提取8fps幀級(jí)別的視頻特征。通過Transformer結(jié)構(gòu)融合快慢特征，有效提升了視頻的時(shí)空特征提取能力。在提升訓(xùn)練效果和訓(xùn)練效率方面，SeedFoly采用了多批次訓(xùn)練策略，顯著提升了語義對(duì)齊效果，同時(shí)優(yōu)化了損失函數(shù)，使用sigmoid loss而非傳統(tǒng)的softmax loss，從而在計(jì)算資源有限的情況下實(shí)現(xiàn)了與大批次訓(xùn)練相當(dāng)?shù)男Ч?/p>

圖2：SeedFoly的視頻編碼器

音頻表征模型

對(duì)于擴(kuò)散模型而言，通常采用VAE生成的潛在表征（latent representation）作為音頻特征編碼。與基于梅爾頻譜（mel-spectrum）的VAE模型不同，SeedFoly采用了原始波形（raw waveform）作為輸入，經(jīng)過編碼后得到1D的表征，相較于傳統(tǒng)mel-VAE模型，在重構(gòu)和生成建模上更具優(yōu)勢(shì)。這里，音頻采用了32k的采樣率，以確保高頻信息的保留。每秒鐘的音頻提取到32個(gè)音頻潛在表征，可以有效提升音頻在時(shí)序上的分辨率，提升音效的細(xì)膩程度。

在音頻表征模型中，采用了一種兩階段聯(lián)合訓(xùn)練策略：第一階段使用掩碼策略，將音頻表征中的相位信息進(jìn)行剝離，將去相位后的潛在表征作為擴(kuò)散模型的優(yōu)化目標(biāo)；第二階段則利用音頻解碼器從去相位表征中重建相位信息。這種方法降低了擴(kuò)散模型對(duì)表征的預(yù)測(cè)難度，最終實(shí)現(xiàn)了高質(zhì)量的音頻潛在表征生成和還原。

擴(kuò)散模型

在擴(kuò)散模型部分，SeedFoly采用了Diffusion Transformer框架，通過優(yōu)化概率路徑上的連續(xù)映射關(guān)系，實(shí)現(xiàn)了從高斯噪聲分布到目標(biāo)音頻表征空間的概率匹配。相較于傳統(tǒng)擴(kuò)散模型依賴馬爾可夫鏈?zhǔn)讲蓸拥奶匦裕琒eedFoly通過構(gòu)建連續(xù)變換路徑，有效減少推理步數(shù)，降低推理成本。

在訓(xùn)練階段，分別提取視頻特征與音頻語義標(biāo)簽，并將其編碼為隱式向量空間。通過沿通道維度進(jìn)行拼接（Channel-wise Concatenation），將隱式向量空間與時(shí)間編碼（Time Embedding）及噪聲信號(hào)進(jìn)行融合，形成一個(gè)聯(lián)合條件輸入。該方法通過顯式建模跨模態(tài)時(shí)序相關(guān)性，有效提升了音效與視頻畫面在時(shí)序上的一致性，并顯著增強(qiáng)了內(nèi)容的理解能力。

在推理階段，通過調(diào)節(jié) CFG 系數(shù)可以靈活調(diào)節(jié)視覺信息的控制強(qiáng)度與生成質(zhì)量之間的關(guān)系。通過逐步轉(zhuǎn)換噪聲分布，將噪聲信號(hào)逐步引導(dǎo)至目標(biāo)數(shù)據(jù)分布。通過強(qiáng)制指定人聲與音樂標(biāo)簽，可以有效避免音效中混雜人聲或背景音樂的可能性，從而顯著提升了音效的清晰度與質(zhì)感。最后將音頻表征輸入至音頻解碼網(wǎng)絡(luò)，獲取音效音頻。

結(jié)語

SeedFoley 通過將視頻內(nèi)容與音頻生成深度融合，實(shí)現(xiàn)了精準(zhǔn)提取視頻幀級(jí)視覺信息的能力。通過分析多幀畫面信息，能夠準(zhǔn)確識(shí)別視頻中的發(fā)聲主體及其對(duì)應(yīng)的場(chǎng)景動(dòng)作。無論是節(jié)奏感強(qiáng)烈的音樂片段，還是電影中的緊張情節(jié)，SeedFoley 都能夠精準(zhǔn)捕捉關(guān)鍵幀，為視頻的音頻生成提供高質(zhì)量的參考，從而營(yíng)造出逼真且身臨其境的音效體驗(yàn)。此外，該系統(tǒng)還具備智能區(qū)分動(dòng)作音效與環(huán)境音效的能力，顯著提升了視頻的敘事張力與情感傳遞效率。

「AI 音效」功能現(xiàn)已上線，用戶在生成視頻后，選擇「AI 音效」功能即可自動(dòng)生成 3 個(gè)專業(yè)級(jí)音效方案。在 AI 視頻、生活 Vlog、短片制作和游戲制作等高頻場(chǎng)景中，用戶無需面對(duì)「無聲尷尬」的困境，便捷地制作出配有多款專業(yè)音效的高質(zhì)量視頻。

團(tuán)隊(duì)介紹

豆包大模型語音團(tuán)隊(duì) 以多模態(tài)語音技術(shù)為核心，致力于豐富交互與創(chuàng)作方式。團(tuán)隊(duì)專注于語音與音頻、音樂、自然語言理解和多模態(tài)深度學(xué)習(xí)等領(lǐng)域的前沿研究與產(chǎn)品創(chuàng)新，為AI交互與創(chuàng)作領(lǐng)域持續(xù)探索新的可能性。