在声音克隆快速发展的浪潮中，AI 已经能够模拟出越来越逼真的人声效果，但对零样本学习和多情感控制方面依然挑战重重。今年年初，E2 TTS 就实现了简化文本到语音的生成方法，只需用填充标记将文本输入填充到与输入语音相同的长度，再进行去噪处理即可生成语音 ...