原本的自動電話語音和已經發展數十年的 GPS 導航系統都只能發出生硬的機器合成聲音，而人工智慧 (AI) 卻讓智慧型手機和智慧音箱中的虛擬助理呈現逼真的語調。不過，AI 合成的聲音和我們在日常對話及媒體中聽到的真實人聲之間，還是差了那麼一點，原因在於人們說話時帶有複雜的節奏、音調和音色，這是很難以 AI 仿真出來的。

開發人員與創作者可運用最先進的表達性語言合成對話式人工智慧模型

然而這個差距正在迅速縮小。NVIDIA 的研究人員正在打造高品質、可控制的語音合成模型與工具，它們能捕捉人類口說聲音中的豐富細節，又不會聽起來人工感很重。研究人員也於 INTERSPEECH 2021 大會展示這項最新的研究成果。

這些模型有助銀行和零售商的自動語音客服，也能讓電玩遊戲或書籍中的人物更為生動，並即時為數位分身加上合成語音。NVIDIA 內部的創意團隊甚至運用這項技術，為一支介紹 AI 的系列影片製作出富有表現力的旁白內容。

表達性語言合成只是 NVIDIA Research 團隊在對話式 AI 的其中一項研究，這個領域還包括自然語言處理、自動語音辨識、關鍵字偵測、音訊增強等。這項先進研究成果的部分內容已透過 NVIDIA NeMo 工具套件成為開放原始碼，可以在 NGC 容器及其它軟體中心取得，並經最佳化調整，能在 NVIDIA GPU 上高效執行。