VALL-E一种用于文本到语音合成 (TTS) 的语言建模方法。具体来说,我们使用从现成的神经音频编解码器模型派生的离散代码来训练神经编解码器语言模型(称为 VALL-E),并将 TTS 视为条件语言建模任务,而不是像以前的工作那样连续信号回归。在预训练阶段,我们将 TTS 训练数据扩展到 60K 小时的英语语音,这是现有系统的数百倍。VALL-E 出现了上下文学习能力,可用于合成高质量的个性化语音,只需录制 3 秒的未见过的说话者的注册录音作为声音提示。实验结果表明,VALL-E 在语音自然度和说话人相似度方面明显优于最先进的零样本 TTS 系统。此外,我们发现 VALL-E 可以在合成中保留说话者的情绪和声音提示的听觉环境。
数据评估
本站52运营提供的VALL-E翻译站点都来源于网络,不保证外部链接的准确性和完整性,同时,对于该外部链接的指向,不由52运营实际控制,在2023年6月20日 下午5:45收录时,该网页上的内容,都属于合规合法,后期网页的内容如出现违规,可以直接联系网站管理员进行删除,52运营不承担任何责任。
相关导航
您可以指挥的 AI 声音,用于视频游戏、后期制作、配音等的直接情感生成 AI 声音语音克隆从 3 秒的音频中克隆任何声音并添加到您的收藏中。生成式 AI 语音设计您梦想的声音,而不是从列表中选择。生成人工智能情绪和语音控制轻松调整任何声音的风格,调整节奏和情绪。高级编辑器完全控制您的 AI 声音。为每个句子、单词或字符调整音高、响度等。多次拍摄不要将自己局限于一种创造性的选择!使用 takes 来试验并保存不同的表演,稍后再决定是哪一个。时间轴编辑器引导由许多具有广泛性能的 AI 声音投射的场景,并一起聆听它们。项目管理组织和控制您在项目中的工作。脚本导入即将推出将您的脚本导入 Coqui Studio 即可在几秒钟内开始发声。团队协作即将推出与同事合作,作为一个团队指导和塑造角色。