AIGC产业研究报告2023（音频生成篇）.docx

AIGC产业研究报告2023

（音频生成篇）

定义

音频生成是指根据所输入的数据合成对应的声音波形的过程，主要包括根据文本合成语音（text-to-speech），进行不同语言之间的语音转换，根据视觉内容（图像或视频）进行语音描述，以及生成旋律、音乐等。

细分类型和主要应用领域

组成声音的结构包括音素、音节、音位、语素等，音频生成能够对这些基本单位进行预测和组合，通过频谱逼近或波形逼近的合成策略来实现音频的生成。

按照输入数据类型的不同，音频生成可以分为根据文字信息、音频信息、肌肉震动、视觉内容等数据进行的声音合成。按照场景的不同，音频生成又可以分为非流式语音生成和流式语音生成。其中，非流式