Microsoft VALL-E

Модель нейросетевого синтеза речи от Microsoft, способная по короткому образцу голоса создавать речь с тем же голосовым тембром. Реализует принцип zero-shot voice cloning: после прослушивания нескольких секунд речи нового диктора, может озвучить любой текст голосом, имитирующим этого диктора.