VoiceCraft es un modelo de lenguaje de codificador-decodificador neuronal basado en el relleno de tokens que ofrece un rendimiento líder en la edición de voz y la conversión de texto a voz (TTS) de muestra cero. Para voces desconocidas, VoiceCraft solo necesita unos segundos de muestra de voz para clonar esa voz o editar una grabación. El modelo es adecuado para datos en entornos reales, como audiolibros, videos en línea y podcasts.