1月10日消息:微软研究人员宣布了一种名为VALL-E的新文本转语音人工智能模型，当给它一个三秒钟的音频样本时，它便可以模拟一个人的声音。一旦它学会了一种特定的声音，VALL-E就可以合成这个人说任何话的音频——而且是以一种试图保留说话者的情绪语调的方式。

这是文本语音系统朝着更自然的声音迈出的重要一步。它的创造者推测，VALL-E可用于高质量的文本转语音应用、语音编辑，在这种情况下，一个人的录音可以从文本记录中进行编辑和修改（让他们说一些他们原来没有说过的话），当与GPT-3等其他生成性人工智能模型相结合时，还可以进行音频内容创作。

微软称VALL-E为「神经编解码语言模型」，它建立在一项名为EnCodec的技术之上，Meta在2022年10月宣布了这项技术。与其他通常通过操纵波形合成语音的文本到语音方法不同，VALL-E从文本和声音提示中生成离散的音频编解码码。它基本上分析了一个人的声音，通过EnCodec将该信息分解成离散的组件，并使用训练数据来匹配它所「知道」的那个声音如果在三秒钟的样本之外说其他短语会是什么声音。

微软在一个由Meta组建的名为LibriLight的音频库上训练VALL-E的语音合成能力。它包含了6万小时的英语语音，来自7000多名发言者，大部分来自LibriVox公共领域的有声读物。

VALL-E示例网站：https://valle-demo.github.io/