微軟最新推出的NaturalSpeech2語音合成模型：提供更精確的語音重構，避免棒讀效果

7 月27 日訊息，微軟日前推出了名為NaturalSpeech2 的語音模型，該模型採用「潛在擴散」式設計，在零樣本語音合成層面效果出眾，微軟宣稱該模型提供了「商業級」的語音/ 歌唱解決方案，能夠給予用戶高品質、多樣化的語音合成體驗。

微軟進行了一系列演示，展示了NaturalSpeech2 在沒有樣本的情況下生成具有不同說話人身份、韻律和風格（如唱歌）的語音的能力

#▲ 圖源來自NaturalSpeech 2 論文

據悉，與傳統的語音轉文字（TTS）系統不同，微軟的NaturalSpeech2 使用「連續向量」取代「離散標記」來表示語音，從而產生更完整的語音片段，不會產生「缺乏感情」的「棒讀（一字一頓地講話）」現象。

▲ 圖源來自NaturalSpeech 2 論文

實驗結果表明，NaturalSpeech2 在零樣本條件下產生的語音與語音提示和真實語音的韻律幾乎一致，並且在LibriTTS 和VCTK 測試集上的自然度（以CMOS 為度量）與真人語音難以區分。

該專案的論文目前已經發佈於 GitHub 中，有興趣的IT之家小夥伴可以點此造訪。

以上是微軟最新推出的NaturalSpeech2語音合成模型：提供更精確的語音重構，避免棒讀效果的詳細內容。更多資訊請關注PHP中文網其他相關文章！