去年出现了人工智能工具(AI)，可以用文本提示创建图像、艺术品甚至视频。
人工智能写作也取得了重大进展，OpenAI的ChatGPT引起了人们对写作未来的广泛兴趣和担忧。
现在已经是2023年，人工智能的另一个强大用例已经成为人们关注的焦点——一种可以完美模仿人的声音的文本转语音工具VALL-E。
VALL-E由微软公司开发，可以对某个人的声音进行三秒钟的录音，并复制该声音，将书面文字转化为语音，并根据文本的上下文使用逼真的语调和情绪。
它接受了6万小时的英语演讲录音训练，可以在“零样本情况”(zero-shot situation)下发表演讲，这意味着没有任何先前的例子或在特定上下文或情况下的训练。
VALL-E 工作原理的图表
在康奈尔大学发表的一篇论文中，开发人员介绍了VALL-E，解释说录音数据由7000多个不同的说话者组成。
该团队表示，他们的文本到语音系统(TTS)使用的数据是现有TTS系统的数百倍，帮助他们克服了零样本问题。
该工具目前还没有公开使用，但它确实引发了关于安全性的问题，因为它可以用来生成来自任何人声音的任何文本。
微软尚未公开 VALL-E 的源代码，而且很可能不会公开，并指出它可能会以不负责任的方式使用——例如，政治家的恶作剧录音。当与 deepfake 视频相结合时，结果可能会将“假新闻”推向新的高度。微软的例子表明了一切皆有可能。因此，其他人的类似系统似乎很快就会出现。
微软提供的示例表明，该系统对某些语音的处理效果要好于其他语音，而且它在处理口音方面存在问题，但由于该应用仍处于早期阶段，其功能很可能会随着时间的推移而得到改进。
微软这些年在人工智能领域投入了大量资金，并且是OpenAI的支持者之一，OpenAI是ChatGPT和DALL-E(一种文本转图像或艺术工具)的背后公司。
