品玩7月24日讯，据 Arxiv 页面显示，微软近期发布文本到语音模型 VALLE-2，首次实现了与人类同等的水平。

据悉，VALLE-2采用零样本学习技术，仅需一段简短的陌生语音样本，就能模仿相同的声音说出任意文本内容，展现了惊人的即时模仿能力。不过研究者表示，虽然 VALL-E 2 有很强的零样本学习能力可以像配音员一样模仿声音，但相似度和自然度取决于语音 prompt 的长度和质量、背景噪音等因素。

在主观评分（SMOS和CMOS）和客观指标(SIM、WER和DNSMOS)上，VALLE-2不仅超越了前代模型VALLE，在某些方面甚至优于人类真实语音。