VALL-E X 是一个强大而创新的多语言文本转语音（TTS）模型，最初由微软发布。语音克隆带提供了多种语言支持，包括英语、中文和日语，通过仅使用未曾见过的说话者的3秒录音作为声学提示，可以合成高质量的个性化语音。对于母语讲者来说，该技术也可以在另一种语言中轻松应用。
用户可以上传一个3到10秒的语音作为音频提示，并键入想要合成的文本，模型将用与音频提示相同的语音合成给定文本的语音。此外，该模型还能保留给定语音的情感和声学环境。
这样知道抖音短视频里面熟悉的知名的声音怎么来的吧，感觉创作自己的短视频作品吧。
