启动现代零样本声音克隆浪潮的Google论文具有美观简洁的架构：基于验证训练的说话人编码器、将文本加说话人嵌入转化为mel频谱图的Tacotron 2合成器，以及渲染波形的WaveNet声码器。给它几秒钟的新声音，它将用那个声音说新文本，而无需曾在该说话人上进行过训练。

这篇关于Jia等人的短评涵盖了要点：三模块管道如何组合在一起，为什么判别训练的说话人编码器转移效果很好，以及即使随机采样的嵌入也会产生看似合理的合成声音的惊人发现。如果您的产品路线图涉及个性化TTS、声音克隆或说话人自适应，这值得您花费5分钟时间作为快速进入完整论文的入门。