7月27日消息，微软日前推出了一款名为NaturalSpeech2的语音模型，该模型采用“潜在扩散”式设计，在零样本语音合成层面效果出众，微软宣称该模型提供了“商业级”的语音/歌唱解决方案，能够给予用户高质量、多样化的语音合成体验。微软对NaturalSpeech2进行了一系列演示，展示了其在零样本情况下生成具有不同说话人身份、韵律和风格（如唱歌）的语音的能力。▲图源NaturalSpeech2论文据悉，与传统的语音转文字（TTS）系统不同，微软的NaturalSpeech2使用“连续向量”取代“离散标记”来表示语音，从而生成更完整的语音片段，不会产生“缺乏感情”的“棒读（一字一顿地讲话）”现