Endel 对比 VALL-E

Endel 生成个性化的声音景观，能够实时适应，帮助您专注、放松、睡眠或在活动中保持稳定。其音频引擎采用专利的 Endel Pacific 技术，根据时间、天气、心率和位置等输入进行反应，而非循环播放固定曲目。营销网站将其描述为基于神经科学的功能性音频，旨在促进日常健康。

播放列表应用提供固定歌曲；而 Endel 在设备上持续生成声音，使混音随着您的环境变化。专注模式在网站引用的同行评审研究中声称相比播放列表可提高长时间集中度达7倍，放松、睡眠和活动模式均配备生成视觉效果。相同引擎支持 iOS、Android、macOS、网页、Apple Watch、Alexa、Apple TV 和 Fire TV。

专注和睡眠页面以及 endel.io 上的 App Store 评论暗示其目标用户包括学生、远程工作者、多动症患者、家长及任何与失眠斗争的人群。提供免费版本，Premium 版解锁所有模式、离线播放、可穿戴设备集成及艺术家合作的声音景观，如 James Blake: Wind Down。

VALL-E 是微软研究院开发的文本转语音模型，能够从一段简短的音频片段克隆说话者的声音，并根据文本生成新的语音。它属于音频生成类别，因为它合成自然语音，而非编辑现有录音。项目页面提供了原始 VALL-E 模型及同一研究系列后续变体的示例音频。

大多数 TTS 系统直接回归连续波形或梅尔频谱图。VALL-E 则将语音视为基于神经音频编解码器离散编码的条件语言建模任务。微软使用约 60,000 小时的英语语音进行训练，远超典型 TTS 数据集。仅需一段 3 秒的未见说话者录音即可实现零样本合成，且模型能保持提示中存在的情感和环境音。

VALL-E 系列超越了首篇论文。VALL-E X 支持跨语言零样本 TTS，VALL-E R 增加了音素单调对齐以实现更稳定的语音生成，VALL-E 2 结合重复感知采样与分组编码建模，在 LibriSpeech 和 VCTK 基准测试中达到人类水平。相关系列如 MELLE、FELLE 和 PALLE 探索连续梅尔令牌及混合自回归加并行解码。

研究人员、语音工程师和好奇的听众使用 VALL-E 来体验大规模编解码器语言模型的能力，作为构建自身流程前的参考。公开示例为研究演示，不是可直接接入产品的托管 API，使用需另行许可和伦理审查。