待验证60% 置信事实精确时间

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

2

来源数

60%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

ChatGPT语音模式克隆用户声音：原因分析与安全隐患

涉及实体

VALL-Eproduct Barkproduct RVCproduct Microsoftcompany

相关事实

待验证基于Transformer架构的TTS模型如VALL-E、Bark仅需数秒真人语音样本即可克隆出高度相似的合成音频78% 相似待验证现代声音克隆方案（如SV2TTS、VALL-E、CosyVoice等）已将所需语音样本压缩至数秒75% 相似待验证微软 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75% 相似待验证微软开源了流式语音识别模型VibeVoice系列，可在接收音频输入的同时实时转录文本并自动标注说话人75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/826874

API

curl https://kongchang.com/api/v1/knowledge/claims/826874

MCP

get_claim(id=826874)