摘要

大规模模型的出现标志着机器学习进入了一个新纪元，其通过利用海量数据集捕捉并合成复杂模式，显著超越了小型模型的性能。然而，尽管取得了这些进展，针对模型扩展性的研究，尤其是在音频生成领域，仍十分有限。以往的工作未能有效拓展至高保真（HiFi）44.1kHz音频域，且普遍存在频谱不连续性、高频域模糊以及对域外数据缺乏鲁棒性等问题。这些局限性严重制约了模型在多样化应用场景中的适用性，包括音乐与人声生成等任务。本文提出了一种基于可扩展生成对抗网络的增强型多类型音频生成方法——EVA-GAN（Enhanced Various Audio Generation via Scalable Generative Adversarial Networks），在频谱重建与高频成分恢复方面显著优于现有最先进方法，并在域外数据上的表现展现出更强的鲁棒性。该模型通过利用包含36,000小时44.1kHz音频的超大规模数据集，引入上下文感知模块、基于人机协同的伪影评估工具包，并将模型规模扩展至约2亿参数，成功实现了高质量高保真音频的生成。本文相关成果演示可访问：https://double-blind-eva-gan.cc。