7 月 27 日消息，微軟日前推出了一款名為 NaturalSpeech2 的語音模型，該模型采用“潛在擴散”式設計，在零樣本語音合成層面效果出眾，微軟宣稱該模型提供了“商業級”的語音 / 歌唱解決方案，能夠給予用戶高質量、多樣化的語音合成體驗。

微軟對 NaturalSpeech2 進行了一系列演示，展示了其在零樣本情況下生成具有不同說話人身份、韻律和風格（如唱歌）的語音的能力。

▲ 圖源 NaturalSpeech 2 論文

據悉，與傳統的語音轉文字（TTS）系統不同，微軟的 NaturalSpeech2 使用“連續向量”取代“離散標記”來表示語音，從而生成更完整的語音片段，不會產生“缺乏感情”的“棒讀（一字一頓地講話）”現象。

▲ 圖源 NaturalSpeech 2 論文

實驗結果表明，NaturalSpeech2 在零樣本條件下生成的語音與語音提示和真實語音的韻律近乎一致，并且在 LibriTTS 和 VCTK 測試集上的自然度（以 CMOS 為度量）與真人語音難以區分。

該項目的論文目前已經發布于 GitHub 中，感興趣的IT之家小伙伴們可以點此訪問。