微軟發表 DragonV2.1 語音模型：AI 合成語音更自然，錯誤率降低 12.8%、支援百種語言

微軟推出了名為 DragonV2.1 Neural 的全新 AI 模型，主打僅需少量數據，就能創建出更為自然、富有表現力的語音，並支援超過 100 種語言 。

這是一款採用「零樣本學習」（Zero-Shot Learning）技術的文字轉語音（TTS）模型，旨在提供更自然的聲音、更準確的發音，以及更強大的可控性 。

Dragon V2.1 model cards

新模型的核心亮點包括：

• 高效率學習：僅需要幾秒鐘的語音樣本，就能夠合成出特定聲音，並支援超過 100 種語言的語音輸出 。

• 精準度提升：相較於前一代 DragonV1 模型，DragonV2.1 在發音準確性上有所提升，特別是修正了前代在處理專有名詞時的發音問題 。根據微軟的數據，新模型的單詞錯誤率（WER）平均降低了 12.8% 。

• 聲音更自然、可控性更高：新模型提升了聲音的自然度，同時使用者可以利用 SSML（語音合成標記語言）的音素標籤和自定義詞典，對發音和口音進行更細緻的控制 。

DragonV2.1 模型可以應用於多種不同情境，例如為聊天機器人客製化專屬聲音，或是為影片內容進行跨多國語言的配音工作 。這項新的語音模型（Personal Voice）已經整合到 Azure AI 影片翻譯服務中，並且有一個非常具體的應用目標：協助短劇（short drama）創作者輕鬆進入全球市場。

這項服務能讓影片內容在進行跨語言配音時，保留原始演員的語氣和風格，實現一鍵式的 AI 翻譯。目前，新一代的短劇創作者 TopShort 和翻譯服務商 JOWO.ai 已經成為這項服務的合作夥伴。

為了幫助使用者快速上手，微軟也預先建立了多個聲音範本，如 Andrew、Ava 和 Brian 等，供使用者進行測試 。

• 新聞來源：microsoft