VALL-E 2，大幅提升语音大模型的稳健性与自然度

文章预览

（本文阅读时间：9分钟） 编者按：文本到语音合成（Text-to-Speech，TTS）是一种将书面文字转化为自然语音的技术，在提高无障碍性、增强跨语言交流等方面发挥着重要作用。微软亚洲研究院此前推出了第一个离散编码的语音大模型 VALL-E，并在此基础上通过重复感知采样和分组编码建模技术将其升级为 VALL-E 2 版本。新版本突破了语音稳健性、自然度和说话人相似度方面的界限，让零样本 TTS 性能在 LibriSpeech 和 VCTK 数据集上与人类水平相近。 近年来人工智能技术的飞速发展，不断推动着文本到语音合成（Text-to-Speech，TTS）技术的边界。TTS 技术的持续优化与创新，为人们提供了丰富、便捷的语音交互体验，相关的研究成果在教育、娱乐以及多语言交流等多个领域都有着广泛的应用前景。 传统的 TTS 系统仅仅使用来自录音室的高质量且干净的语音数据进 ………………………………