VoiceCraft

VoiceCraft 是一种基于令牌填充的神经编解码语言模型，在包括有声书、网络视频和播客在内的真实场景数据上，实现了语音编辑和零样本文本到语音（TTS）的最先进性能。克隆未见过的声音或编辑录音时，VoiceCraft 仅需几秒钟的语音即可完成。