待验证60% 置信事实精确时间

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

2

来源数

60%

置信度

长期有效

时效性

2026/7/23

首次发现

来源

Voicebox：GitHub爆火的开源AI语音工作室全解析

相关事实

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75% 相似待验证Codec-based方案（如VALL-E、SoundStorm）将语音编码为离散token，然后用语言模型方式生成，实现更好的零样本语音克隆效果75% 相似已验证2023年微软发布的VALL-E仅需3秒样本即可克隆说话人音色72% 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VALL-E、VoiceBox等系统能以极少样本克隆任意声线70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/600750

API

curl https://kongchang.com/api/v1/knowledge/claims/600750

MCP

get_claim(id=600750)