微軟發布 AI 聲音生成工具 VALL-E，只需 3 秒音訊即可模仿人說話

1 月 10 日訊息，微軟最近發布了一款名為 VALL-E 的人工智慧工具，只需 3 秒音訊即可模仿人說話。

該工具經過 60000 小時英語語音資料的訓練，並使用特定語音的 3 秒剪輯來產生內容。與目前的許多人工智慧工具不同，VALL-E 可以複製說話者的情緒和語氣，即使說話者本人從未說過的單字也可以模仿。

IT之家了解到，康乃爾大學的一篇論文使用VALL-E 合成了幾種聲音，大家可以在GitHub 上聆聽這些AI 合成的音訊。

研究人員指出，在許多情況下，Vall-E 的表現優於目前的文字轉語音轉換模型。然而，該研究也寫道，人工智慧模型目前存在幾個問題。例如，文字提示中的某些單字可能會發音不清晰、完全遺漏或在輸出中出現兩次。此外，該模型目前難以模仿某些聲音，尤其是帶有口音的聲音。

就像其他 AI 新技術一樣，VALL-E 在安全、倫理等方面也引發了擔憂。微軟發布了關於使用 VALL-E 的道德聲明，但未來的使用用途方面沒有明確說明。

目前，微軟 Vall-E 尚未開源。微軟已經在 GitHub 上建立了一個 Vall-E 儲存庫，但目前只包含一個描述檔。

以上是微軟發布 AI 聲音生成工具 VALL-E，只需 3 秒音訊即可模仿人說話的詳細內容。更多資訊請關注PHP中文網其他相關文章！