(相关资料图)

1月10日消息，微软最近发布了一款名为VALL-E的人工智能工具，只需3秒音频即可模仿人说话。

该工具经过60000小时英语语音数据的训练，并使用特定语音的3秒剪辑来生成内容。与目前的许多人工智能工具不同，VALL-E可以复制说话者的情绪和语气，即使说话者本人从未说过的单词也可以模仿。

了解到，康奈尔大学的一篇论文使用VALL-E合成了几种声音，大家可以在GitHub上聆听这些AI合成的音频。

研究人员指出，在许多情况下，Vall-E的性能优于当前的文本到语音转换模型。然而，该研究还写道，人工智能模型目前存在几个问题。例如，文本提示中的某些单词可能会发音不清晰、完全遗漏或在输出中出现两次。此外，该模型目前难以模仿某些声音，尤其是带有口音的声音。

像其他AI新技术一样，VALL-E在安全、伦理等方面也引发了担忧。微软发布了关于使用VALL-E的道德声明，但未来的使用用途方面没有明确说明。

目前，微软Vall-E尚未开源。微软已经在GitHub上创建了一个，但目前只包含一个描述文件。