微软推出语音合成模型 NaturalSpeech2

微软最近推出了一个名为NaturalSpeech2的语音模型。这个模型采用了“潜在扩散”式设计，在零样本语音合成方面表现非常出色。微软声称这个模型提供了“商业级”的语音/歌唱解决方案，可以为用户提供高质量、多样化的语音合成体验。

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。这样做的优点是不会产生“缺乏感情”的“棒读”现象，即一字一顿地讲话。

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非常接近，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。

因此，NaturalSpeech2是一个非常强大的语音合成工具，可以广泛应用于各种应用，如语音助手、智能客服、虚拟歌手等。它的推出将推动语音合成技术的发展，为用户提供更加智能、自然的语音交互体验。

论文链接:

https://arxiv.org/abs/2304.09116

项目演示:

https://speechresearch.github.io/naturalspeech2/