Murf AI 对比 VALL-E

Murf AI 将文本、文档和脚本转换为逼真的语音，适用于视频、课程和电话客服。Murf Studio 提供 200 多种声音，涵盖 35 多种语言，支持音调、速度和发音控制，而 Falcon 文本转语音 API 针对实时语音代理，首音延迟低于 100 毫秒。Murf Dubbing 可将视频翻译成 40 多种语言，同时保持语调。

大多数文本转语音工具声音单调或在实时通话中延迟。Murf 采用双重方案：第二代在多语言新闻句子上的发音准确率达到 99.38%，Falcon 2 价格为每分钟 0.01 美元，模型延迟低于 55 毫秒，支持 10,000 并发通话。该双模型设置比单一语音选择器复杂，但能在一个平台上同时覆盖录音室配音和 IVR 代理。

雀巢、法航和 Vertiv 使用 Murf 进行培训音频和多语言内容。免费 Studio 版本包含 10 分钟的语音生成，无商业使用权，付费月度计划解锁下载、团队工作区和商业授权。

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。