Voicebox 是基于 Meta 的非自回归流匹配模型构建的先进语音生成模型。通过在大规模数据上学习解决文本引导的语音补全任务，Voicebox 通过上下文学习，在语音任务上超越了单一用途的 AI 模型。Voicebox 能够合成六种语言的语音，消除瞬态噪声，编辑语音内容，在不同语言之间及语言内部迁移音频风格，并生成多样化的语音样本。此外，它生成语音的速度比最先进的自回归模型快多达 20 倍。