VALL-E X可以通过仅使用未曾见过的说话者的3秒录音作为声学提示，合成高质量的个性化语音，即使是对于一位母语讲者，也可以在另一种语言中执行。此实现支持三种语言（英语、中文、日语）的零尝试、单语/跨语言文本到语音功能。
上传一个持续3到10秒的语音作为音频提示，并键入您想要合成的文本。
模型将用您的音频提示相同的声音合成给定文本的语音。
该模型还倾向于保留您给定语音的情感和声学环境。
VALL-E X可以通过仅使用未曾见过的说话者的3秒录音作为声学提示，合成高质量的个性化语音，即使是对于一位母语讲者，也可以在另一种语言中执行。此实现支持三种语言（英语、中文、日语）的零尝试、单语/跨语言文本到语音功能。
上传一个持续3到10秒的语音作为音频提示，并键入您想要合成的文本。
模型将用您的音频提示相同的声音合成给定文本的语音。
该模型还倾向于保留您给定语音的情感和声学环境。