微软推出语音合成模型 NaturalSpeech2：语音重构“更准确”，不会“棒读”

CTOnews.com 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。

微软对 NaturalSpeech2 进行了一系列演示，展示了其在零样本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。

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。

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CTOnews.com小伙伴们可以点此访问。