生成式AI技術越來越進步，模擬真人發聲的工具也變得相當像真。最近Microsoft就公布全新的AI語音生成工具VALL-E 2，據稱已經達到「真人」發聲的水平。
據報道指，Microsoft的這個VALL-E 2工具是去年1月首次發布的VALL-E的新版本，可以將文本轉變成語音，而且其效果已經達到「與人類相同」的水平，開發人員表示，VALL-E 2隻需幾秒鐘的音頻輸入就能學會模仿聲音。
VALL-E 2採用「重複感知抽樣」（Repetition Aware Sampling）和「分組程序代碼建模」（Grouped Code Modeling）技術，使詞元的重複問題得以解決，改善流暢度和生成速度。
這種技術的應用範圍廣泛，從個性化語音助手到影片遊戲配音等範疇都有潛在使用價值。不過Microsoft擔心VALL-E 2的強大功能會遭到應用，因此目前並未打算對外公布，只作內部研究用途。與其他生成式AI工具一樣，這種技術可能被用於製作深度偽造 (Deepfake) 語音，進而引發身份欺詐和虛假資訊傳播等問題。
