微軟推出語音合成模型 NaturalSpeech2：語音重構更準確，發音不會「棒讀」像機器人

微軟日前推出了一款名為 NaturalSpeech2 的語音模型，該模型採用「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，能夠給予使用者高品質、多樣化的語音合成體驗。

微軟對 NaturalSpeech2 進行了一系列展示，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）的語音能力。

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。

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，並且在 LibriTTS 和 VCTK 測試集上的自然度與真人語音難以區分。