零样本语音合成

英文：Zero-Shot TTS　分类：multimodal

基本释义

仅凭几秒参考音频就能克隆/模仿目标音色进行语音合成的技术，无需针对该说话人训练。它是个性化语音合成的关键能力。

技术要点

技术：说话人编码（参考音频→音色向量）、语音离散标记（自监督表征）+语言模型生成（VALL-E、GPT-SoVITS）、扩散式声码器；质量取决于参考音频清晰度与模型鲁棒性；需严格授权合规。

应用场景

用于个性化配音（小说、视频）、声音复刻（需授权）、跨语言音色保持与无障碍；零样本 TTS 大幅降低"专属声音"的生产门槛。

返回AI百科目录 · AI最前沿首页

相关词条：扩散模型 · 视觉编码器 · 语音合成 · 多语言语音合成 · 语音-语言模型