EzAudio是由约翰霍普金斯大学和腾讯AI实验室共同推出的一款文本到音频（Text-to-Audio, T2A）生成模型。基于一种高效的扩散变换器技术，用在从文本提示生成高质量的音频效果。EzAudio的创新之处在于优化的模型架构和数据高效训练策略，在生成速度、效率和音频真实感方面都达到新标准。EzAudio引入无分类器引导重缩放技术，简化模型使用保持音频质量。
EzAudio的主要功能文本到音频生成：根据给定的文本提示生成相应的音频内容。高效率：优化的模型架构减少计算资源的需求，提高生成速度。高质量音频：生成的音频具有高保真度，提供逼真的听觉体验。数据高效训练：基于未标记数据和人工标记数据，提高训练效率和模型性能。 EzAudio的技术原理波形VAE：基于一维波形变分自动编码器（VAE）处理音频数据，避免处理二维频谱图的复杂性，减少计算成本，同时保持高时间分辨率。优化的扩散变换器架构（EzAudio-DiT）：定制的扩散模型，包括AdaLN-SOLA和长跳跃连接，提高模型的参数和内存效率，同时保持训练的稳定性。多阶段训练策略：结合自监督学习和监督学习，用掩码扩散建模和合成字幕数据进行训练，最后在人工标注数据上微调，提高音频生成的准确性和质量。无分类器引导重缩放（CFG Rescaling）：在扩散采样过程中调整引导强度，优化文本到音频的对齐，减少对音频质量的负面影响。 EzAudio的项目地址项目官网：haidog-yaqub.github.io/EzAudio-PageGitHub仓库：https://github.com/haidog-yaqub/EzAudio技术论文：https://haidog-yaqub.github.io/EzAudio-Page/static/pdf/ezaudio.pdf EzAudio的应用场景音乐创作：根据文本描述生成特定风格或情感的音乐片段，辅助音乐家和制作人进行创作。影视后期制作：为电影、电视剧或视频游戏生成逼真的音效和配音，提高观众的沉浸感。语音合成：生成标准或特定语调的语音，用在教育软件、有声读物或语言学习应用。音频编辑：对现有音频进行编辑和修改，无需复杂的音频编辑工具。虚拟助手和聊天机器人：为虚拟助手和聊天机器人生成自然听起来的语音响应。有声内容创作：自动生成有声博客、播客或新闻内容的音频。 
