VoiceCraftは、トークン埋め込みに基づくニューラルコーデック言語モデルであり、最先端の音声編集とゼロショットテキスト音声変換（TTS）性能を実現します。未知の音声についても、数秒間の音声サンプルがあれば、その音声をクローンしたり、録音を編集することができます。このモデルは、オーディオブック、オンラインビデオ、ポッドキャストなどの実世界データに適しています。