☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
7 月 27 日消息，微软日前推出了一款名为 naturalspeech2 的语音模型，该模型采用“潜在扩散”式设计，在零样本语音合成层面效果出众，微软宣称该模型提供了“商业级”的语音 / 歌唱解决方案，能够给予用户高质量、多样化的语音合成体验。
微软进行了一系列演示，展示了 NaturalSpeech2 在没有样本的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
▲ 图源来自于 NaturalSpeech 2 论文
据悉，与传统的语音转文字（TTS）系统不同，微软的 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。
▲ 图源来自于 NaturalSpeech 2 论文
实验结果表明，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。
Designs.ai
AI设计工具
48 查看详情
该项目的论文目前已经发布于 GitHub 中，感兴趣的IT之家小伙伴们可以点此访问。
以上就是微软最新推出的NaturalSpeech2语音合成模型：提供更准确的语音重构，避免棒读效果的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/822209.html
微信扫一扫 
支付宝扫一扫 
