AUDIOGEN

一、INTRODUCTION 神经生成模型挑战了我们创造数字内容的方式。从生成高质量图像和语音，到生成长文本，再到最近提出的文本引导的图像生成，这些模型展示了令人印象深刻的结果。这引出一个问题，对于文本引导的生成模型来说，音频的等效物是什么？可以是文本吗？我们用文本来抽象出世界上纷繁复杂地音频吗？ ......