微软最新推出的NaturalSpeech2语音合成模型：提供更准确的语音重构，避免棒读效果

编程并不是一个机械性的工作，而是需要有思考，有创新的工作，语法是固定的，但解决问题的思路则是依靠人的思维，这就需要我们坚持学习和更新自己的知识。今天golang学习网就整理分享《微软最新推出的NaturalSpeech2语音合成模型：提供更准确的语音重构，避免棒读效果》，文章讲解的知识点主要包括，如果你对科技周边方面的知识点感兴趣，就不要错过golang学习网，在这可以对大家的知识积累有所帮助，助力开发能力的提升。

7 月 27 日消息，微软日前推出了一款名为 NaturalSpeech2 的语音模型，该模型采用“潜在扩散”式设计，在零样本语音合成层面效果出众，微软宣称该模型提供了“商业级”的语音 / 歌唱解决方案，能够给予用户高质量、多样化的语音合成体验。

微软进行了一系列演示，展示了 NaturalSpeech2 在没有样本的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

▲ 图源来自于 NaturalSpeech 2 论文

据悉，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。

▲ 图源来自于 NaturalSpeech 2 论文

实验结果表明，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。

该项目的论文目前已经发布于 GitHub 中，感兴趣的IT之家小伙伴们可以点此访问。

本篇关于《微软最新推出的NaturalSpeech2语音合成模型：提供更准确的语音重构，避免棒读效果》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！