這是使零樣本語音克隆成為實用的論文：在具有數千個嘈雜、無文本記錄的語音上訓練說話人編碼器進行判別性驗證任務，然後將這些嵌入輸入到Tacotron 2合成器和WaveNet聲碼器。結果是一個TTS系統，可以從幾秒鐘的參考音頻中模仿新說話人，甚至是它在訓練期間從未見過的說話人。

這篇對來自Google的Jia等人工作的長評論詳細介紹了所有三個模塊，即在驗證目標上訓練的說話人編碼器、以嵌入為條件的序列到序列梅爾頻譜圖合成器和自回歸WaveNet聲碼器。它還詳細解析了消融研究，量化了編碼器中泛化所需的說話人多樣性，以及隨機採樣的嵌入產生自然連貫的新穎語音的驚人結果。如果您在語音克隆、個性化TTS或說話人嵌入領域從事任何開發工作，這篇論文是必讀的，而深度探討會逐一講解每個部分。