根據 Arxiv 頁面顯示，微軟近期發布文本到語音模型 VALLE-2，首次實現了與人類同等的水準。

據悉，VALLE-2採用零樣本學習技術，僅需一段簡短的陌生語音樣本，就能模仿相同的聲音說出任意文本內容，展現了驚人的即時模仿能力。

不過研究者表示，雖然 VALL-E 2 有很強的零樣本學習能力可以像配音員一樣模仿聲音，但相似度和自然度取決於語音 prompt 的長度和質量、背景噪音等因素。

在主觀評分（SMOS和CMOS）和客觀指標(SIM、WER和DNSMOS)上，VALLE-2不僅超越了前代模型VALLE，在某些方面甚至優於人類真實語音。

本文為品玩授權刊登，原文標題為「微軟發佈 VALL-E2 模型，配音效果可達到人類水平」