微软发布 DragonV2.1 模型，AI 转录语音更自然、更富表现力

数码芝华士

科技媒体 NeoWin 今天（7 月 31 日）发布博文，报道称微软推出了 DragonV2.1Neural 零次学习（Zero-Shot Learning）模型，仅凭少量数据就能创建更加自然、表现力强的声音，并支持超过 100 种语言。

IT之家援引博文介绍，这是一种零次学习的文本到语音（TTS）模型，承诺提供更加自然和富有表现力的声音，并提高了发音的准确性以及增强了可控性。

新模型仅需几秒钟的语音样本即可合成超过 100 种语言的语音。相比之下，之前的 DragonV1 模型在处理专有名词时存在发音问题。DragonV2.1 模型可以应用于多种不同场景，包括定制聊天机器人声音和为视频内容跨多语言配音。

微软表示，DragonV2.1 提高发音准确性，与 DragonV1 相比，该模型单词错误率（WER）平均降低了 12.8%。

该模型还提升了声音的自然度，用户使用此模型时，可以利用 SSML 音素标签和自定义词典对发音和口音进行细致控制。为了帮助用户入门，微软构建了 Andrew、Ava 和 Brian 等多个声音档案，供用户测试。