Nvidia AI 发布 BigVGAN v2：最先进的神经声码器转换音频合成

在快速发展的音频合成领域，英伟达（Nvidia）最近推出了BigVGAN v2。这款神经声码器通过将Mel频谱图转换为高保真波形，打破了音频创作速度、质量和适应性方面的纪录。该团队深入研究了BigVGAN v2的主要改进和创新理念。

BigVGAN v2最显著的特点之一是其独特的推理CUDA内核，该内核结合了融合的上采样和激活过程。这一突破极大地提高了性能，英伟达A100 GPU的推理速度提高了三倍。BigVGAN v2通过简化处理流程，确保高质量音频的合成效率比以往任何时候都高，这使其成为实时应用和大型音频项目的宝贵工具。

英伟达还对BigVGAN v2的判别器和损失算法进行了显著改进。该独特模型使用了多尺度Mel频谱图损失与多尺度子带恒定Q变换（CQT）判别器的结合。这一双重升级提高了合成波形的保真度，使得在训练过程中以更准确和细致的方式分析音频质量变得更加容易。BigVGAN v2现在能够更准确地记录和复制各种音频格式的细微差别，包括复杂的音乐作品和人声。

BigVGAN v2的训练方案使用了包含各种音频类别的大型数据集，如乐器、多种语言的语音和环境噪声。借助多样化的训练数据，该模型在各种音频场景和来源中具有强大的泛化能力。最终产品是一个通用的声码器，可以应用于广泛的场景，并且在处理分布外场景时具有出色的准确性，无需进行微调。

BigVGAN v2的预训练模型检查点支持512倍的上采样比率和高达44 kHz的采样速度。为了满足专业音频制作和研究的需求，这一特性保证了生成的音频保持高分辨率和保真度。无论是用于创建逼真的环境声景、栩栩如生的合成声音还是复杂的乐器作品，BigVGAN v2都能产生无与伦比的音质。

英伟达在BigVGAN v2中的创新为媒体和娱乐、辅助技术等多个行业开辟了广泛的应用前景。BigVGAN v2的卓越性能和适应性使其成为研究人员、开发人员和内容制作者推动音频合成极限的宝贵工具。

随着英伟达BigVGAN v2的发布，神经声码技术取得了显著进展。由于其复杂的CUDA内核、改进的判别器和损失函数、多样化的训练数据以及高分辨率输出能力，它是制作高质量音频的有效工具。英伟达BigVGAN v2有望在数字时代改变音频合成和交互方式，从而在行业中树立新的基准。