(资料图)
微软近日推出了一款名为NaturalSpeech2的语音模型，该模型采用“潜在扩散”式设计，其在零样本语音合成层面的效果显著。微软表示，该模型提供了“商业级”的语音/歌唱解决方案，能够为用户提供高质量、多样化的语音合成体验。 微软对NaturalSpeech2进行了一系列演示，展示了其在零样本情况下生成具有不同说话人身份、韵律和风格（如唱歌）的语音的能力。与传统的语音转文字（TTS）系统不同，NaturalSpeech2使用“连续向量”取代“离散标记”来表示语音，从而生成更完整的语音片段，不会产生“缺乏感情”的“棒读（一字一顿地讲话）”现象。 实验结果显示，NaturalSpeech2在零样本条件下生成的语音与语音提示和真实语音的韵律近乎一致，并且在LibriTTS和VCTK测试集上的自然度（以CMOS为度量）与真人语音难以区分。该项目的论文已经发布，感兴趣的人可以查阅。
2023-07-28 15:52:38
2023-07-28 15:43:49
2023-07-28 15:03:56
2023-07-28 14:54:35
2023-07-28 14:05:55
2023-07-28 13:26:50
2023-07-28 12:48:58
2023-07-28 12:09:49
2023-07-28 11:42:51
2023-07-28 11:13:30
2023-07-28 10:43:49
2023-07-28 10:39:36
2023-07-28 09:59:09
2023-07-28 09:32:38
2023-07-28 08:59:46
2023-07-28 08:50:16
2023-07-28 07:50:42
2023-07-28 07:02:42
2023-07-28 06:07:20
2023-07-28 04:11:50
2023-07-28 00:58:11
2023-07-27 23:02:42
2023-07-27 22:02:07
2023-07-27 20:59:40
2023-07-27 20:50:23
2023-07-27 20:13:29
2023-07-27 19:58:32
2023-07-27 19:34:32
2023-07-27 19:04:31
2023-07-27 18:55:58
