微软语音合成模型亮相，堪比真人语音

美股研究社讯，微软日前推出语音合成模型NaturalSpeech2，该模型采用潜在扩散式设计，可提供“商业级”语音/歌唱解决方案。

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。

据悉，在零样本情况下，该模型可以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。且其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。