微软推出NaturalSpeech2语音模型:零样本生成唱歌唱歌
发布时间:2023-07-28 16:46:49 文章来源:中关村在线
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


(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。

标签:

资讯播报

乐活HOT

娱乐LOVE

精彩推送