已验证65% 置信事实精确时间

2023年微软发布的VALL-E仅需3秒样本即可克隆说话人音色

3

来源数

65%

置信度

长期有效

时效性

2026/7/8

首次发现

来源

慢内容崛起：一条推文引发的注意力经济与内容创作反思

twitterjxnlco2026/7/6

相关事实

待验证微软 2023 年发布的 VALL-E 将语音生成建模为语言模型问题，仅需 3 秒参考音频即可实现零样本克隆，采用 EnCodec 神经音频编解码器72% 相似待验证Coqui TTS、VALL-E、OpenVoice 等开源框架已使仅需 3–10 秒音频就能完成基本音色迁移70% 相似待验证现代神经TTS系统如VALL-E、ChatTTS通过声纹克隆技术仅需3-10秒参考音频即可复刻任意音色70% 相似待验证早期IVR语音交互系统采用完全串行处理，感知延迟高达3-5秒67% 相似待验证传统级联语音对话架构的总延迟通常在1-3秒以上66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/223370

API

curl https://kongchang.com/api/v1/knowledge/claims/223370

MCP

get_claim(id=223370)