FineShare FineVoice 对比 VALL-E

FineShare FineVoice（FineVoice）是一个在线的AI语音工作站，支持文本转语音、变声、克隆及相关音频处理。你可以将脚本转换为解说，交换上传录音中的声音，设计定制声音，以及从一个网页工作区生成音效或背景音乐。

该平台声称拥有1500多个声音，涵盖154种语言，支持情感标签以实现富有表现力的语音，还配备语音转文字、语音增强、口型同步、会说话的照片和播客生成等工具。提供免费的基础版本，有限制每日使用量，付费计划则提高每月字符和时长配额。

FineVoice主要面向YouTube创作者、播客、教育工作者、市场营销人员和开发者，满足他们无需录音棚即可获取配音的需求。还提供桌面应用和开发者API，适合需要离线或编程访问的团队.

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。