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% 相似待验证微软的VALL-E及开源项目Bark和RVC等语音克隆技术能仅凭数秒语音样本生成高度逼真的仿声音频71% 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
引用此条事实
Stable URI
https://kongchang.com/claim/223370API
curl https://kongchang.com/api/v1/knowledge/claims/223370MCP
get_claim(id=223370)