吉利汽車は先日、音声合成分野で大きなブレークスルーを達成しました。同社が独自開発したHAM-TTS大規模モデルの性能が業界のベンチマークであるVALL-Eを上回り、業界の注目を集めています。星睿と名付けられたこのAI大規模モデルは、発音の正確性、自然さ、話者類似度などの主要指標において顕著な向上を実現しました。HAM-TTSモデルは、トークンベースのゼロショットテキスト音声変換階層音響モデリング技術を採用しており、スマートコックピットにおけるユーザーインタラクション体験を大幅に向上させています。4億パラメーターという同一条件下で、HAM-TTSモデルは...

Microsoftは最近、ゼロショットテキスト音声変換（TTS）モデルであるVALL-E 2を発表し、技術界で大きな話題となり、TTS分野の画期的な成果として注目されています。VALL-E 2の革新的な点は、ゼロショット学習能力です。わずかな未知の音声サンプルだけで、任意のテキストをその声で模倣することができ、驚くべきリアルタイム模倣とエンコーダーグループ化を実現しました。また、リピート感知サンプリングを改良し、デコーディングの安定性を向上させ、データの必要性を簡素化しました。主観評価と客観指標のテストにおいて、VALL-E 2は前世代のモデルを上回りました。