#VALL-E

8:30研究拡散指数 31

マイクロソフトの音声モデル「VALL-E」、わずか3秒の音声から声を再現

マイクロソフトはテキスト読み上げAIモデル「VALL-E」を発表した。わずか3秒の音声サンプルから、話し手の音色や感情のトーン、空間の音響まで再現できるという。Metaのデータセットで学習されたが、なりすまし等の悪用リスクを考慮してコードは非公開となっている。