初创公司 MetaVoice 发布了一种新的文本转语音 （TTS） 和语音克隆模型，名为 MetaVoice 1B。该模型以其在 Apache 许可下的开源可用性而著称，允许进行广泛的实验和修改。该模型建立在坚实的基础上，具有 12 亿个参数，并在 100,000 小时语音数据的重要语料库上进行训练。
它拥有美国和英国口音的零样本克隆功能，仅使用 30 秒的参考音频，预计未来的更新将支持对各种口音和语言的语音克隆进行微调。该模型还强调了在不产生幻觉词的情况下传达情感言语的能力，这是在其他一些模型中观察到的问题。
MetaVoice 1B 的架构结合了因果和非因果变换器、多频段扩散过程和深度滤波网络来优化输出。尽管演示稳定性存在一些问题，但该模型仍可通过提供的 GitHub 存储库和 Colab 笔记本进行测试。
AI语音克隆
数字时代带来了大量的进步，但很少有像合成声音的发展那样有趣，这些声音与人类的声音几乎没有区别。该领域的最新突破来自MetaVoice，这是一个创新团队，他们推出了MetaVoice 1B，这是一种尖端的文本转语音和语音克隆技术。这种新模型不仅是语音合成的一步;这是一个飞跃，使我们更接近一个数字声音与任何人一样丰富和真实的未来。
MetaVoice 1B 以其令人印象深刻的框架脱颖而出，拥有 12 亿个参数，使其能够产生高度细致入微和逼真的语音输出。该技术是通过对超过100,000小时的广泛语音数据集进行训练而改进的。这些海量数据使MetaVoice 1B能够捕捉到各种声音的微妙之处。它最显着的功能之一是能够准确地克隆带有美国和英国口音的声音，只需要 30 秒的音频样本即可完成。这种零样本克隆功能证明了模型的精度和设计效率。
MetaVoice-1B 是 TTS（文本转语音）的 1.2B 参数基础模型。它的构建具有以下优先级：
- 英语中的情感语音节奏和语气。
- 支持通过微调进行语音克隆。
- 我们成功地为印度语使用者提供了短至 1 分钟的训练数据。
- 美国和英国声音的零样本克隆，带有 30 年代的参考音频。
- 支持长篇合成。
使用人工智能创建合成声音
MetaVoice 1B与其前代产品的不同之处在于它能够将情感注入语音中。这种情商为合成语音带来了新的深度和真实性，使与人工智能的互动更加自然和引人入胜。该模型还旨在最大限度地减少幻觉词的出现，幻觉词是由TTS系统生成的无意义或不合时宜的词，从而提高输出的清晰度和可靠性。
MetaVoice 1B 的技术基础非常强大，具有因果和非因果变压器、多频段扩散和深度滤波网络的组合。这些组件经过精心集成，可产生清脆且非常逼真的音频。这种技术协同作用为文本转语音系统树立了新标准，突破了语音合成的可能性。
MetaVoice 1B 不仅仅是创作者的工具;它是社区的资源。该模型在开源 Apache 许可下提供，可供爱好者和专业人士探索和构建。它可以在 GitHub 上找到，也可以通过 Colab 笔记本提供，为用户提供了一种实用的方式来试验其功能并为其持续开发做出贡献。
MetaVoice 背后的团队致力于该模型的持续增强。预计未来的更新将扩展模型的微调能力，从而实现更个性化的语音克隆。这些改进可能包括支持更广泛的口音和语言，使该技术更加通用和包容。
MetaVoice 1B 是一个促进创造力和协作的平台。它邀请开发人员、研究人员和技术爱好者深入研究语音合成的未来。借助MetaVoice 1B，创建和完善数字语音的可能性是巨大的，为数字领域的互动和表达开辟了新的途径。无论您是想开发应用程序、进行研究，还是只是满足您对语音技术未来的好奇心，MetaVoice 1B 都提供了一个令人兴奋的机会，让您站在这个不断发展的领域的最前沿。
