先日、ジョンズ・ホプキンス大学とテンセントAIラボが共同で、EzAudioという新しいテキスト音声変換モデルを発表しました。この技術は、前例のない効率性と高品質でテキストを音声に変換することを約束しており、人工知能と音声技術の大きな飛躍を意味します。EzAudioの動作原理は、従来のスペクトログラムではなく、音声波形の潜在空間を利用することにあります。この革新により、EzAudioは高時間分解能で動作し、追加のニューラルボコーダーを必要としません。EzAudioのアーキテクチャはEzAuと呼ばれます。