Google的論文啟動了現代零樣本語音克隆浪潮，具有簡潔優美的架構：一個在驗證上訓練的說話人編碼器、一個Tacotron 2合成器可將文本加說話人嵌入轉換為梅爾頻譜圖，以及一個WaveNet聲碼器可渲染波形。給它幾秒鐘的新穎語音，它將用那個語音說出新的文本，而無需曾經在該說話人上進行訓練。

這篇對Jia等人的短評論涵蓋了要點，說明三模塊管道如何結合在一起、為什麼判別訓練的說話人編碼器轉移效果如此之好，以及甚至隨機採樣的嵌入也能產生合理的合成語音的令人驚奇的發現。如果您的產品路線圖涉及個性化TTS、語音克隆或說話人適應，這值得您花5分鐘時間作為進入完整論文的快速通道。