新芒x 2月19日消息 亚马逊的通用人工智能 (AGI) 团队开发了他们所说的迄今为止最大的文本转语音模型。研究人员表示，BASE TTS 高保真模型可以仅基于“几秒钟的参考音频”来模仿人类说话者的特征。
- 根据该团队尚未经过同行评审的论文，该模型是具有紧急功能的 Big Adaptive Streamable TTS 的缩写，在对话文本中展示了“最先进的自然性” 。
- 该模型首先使用 100,000 小时的公共领域语音数据（主要是英语）进行训练，以模仿美国的语音模式。
- 为了探索“新兴能力”所需的合适规模，AGI 团队使用 1,000 和 10,000 小时的语音数据训练了两个较小的模型，将它们的语言自然度与较大的模型进行了比较。
- 10,000 小时的模型在能力方面排名最高，其中包括理解标点符号、非英语单词和情感等。
