Nvidia本周发表一个能依文本或音乐文件提示，生成或修改一首混合音乐、人声和音效的AI模型，名为Fugatto。

现今已有多家厂商，包括Google、Meta推出可生成短曲、音效、或修改现有音乐的AI模型，但Nvidia公布的Fugatto模型号称生成技巧超越前者。Fugatto可依据用户输入的文本，或上传的音频文件，生成或修改音乐、人声或声音的元素组合。例如它可以根据用户文本提示生成音乐片段、在现有歌曲加入一种乐器声音（或移除），或是改变人声腔调或是情感，甚至发展出全新的表现方式。

Fugatto全名为「Foundational Generative Audio Transformer Opus 1」，是一个基础生成式transformer模型，为Nvidia在之前语音模型、音频编码及音频理解等基础上的研发成果。模型本身包含25亿参数，是在32颗H100 GPU的DGX系统，在一年多期间，以数百万音频样本及文本数据训练而成。

Fugatto训练团队涵括印度、巴西、中国、南韩和约旦。Nvidia指出，研究团队使用多面向策略产生数据和指令，以确保模型能胜任多种不同任务，他们也审视现有数据集，找出数据间的新关联性，在不需额外新数据集情况下，使模型学习到新任务且获致高准确性。

例如Fugatto使用名为ComposableART的技术，把原本个别使用的指令组合起来，像是组合多个指令，例如用户可要求它用悲伤情绪以法语腔说一段文本，还允许插入不同指令的功能，方便用户微调，像是腔调浓重或是悲伤程度。

Nvidia贴出了一段视频，展现Fugatto可为电影创造出震撼的配音。

Fugatto还具备时序插入（temporal interpolation）能力，可生成随时间改变的声音，像是暴风雨中由近而远传递的雷声，也提供声音地景的微调功能。此外，有别于其他多数模型只能重建模型团队输入的训练数据，Fugatto还让用户新创造全新的声音地景，像是风雨过后随着鸟鸣来到的清晨。

各家业者目前皆积极开发生成音乐、人声及音效的AI技术。ElevenLabs、DeepMind都在开发帮视频配音的技术、Meta去年公布可同时接受文本和音频输入的AudioBox。OpenAI也在今年稍早公布了以15秒样本生成人声的模型。