過去自動電話語音和 GPS 導航系統都只能發出生硬的機器合成聲音，人工智慧(AI)可以協助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合成的聲音和人們在日常對話及媒體中聽到的真實人聲之間，還是差了一點，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。有鑑於此，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，它們能捕捉人類口語中的豐富細節，又不會聽起來人工感很重。

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，此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。

另外，NVIDIA的研究人員與創意專家將對話式AI導入該公司的《I AM AI》系列影片中，實際運用語音合成模型，介紹重塑各產業發展的全球AI創新者。過去的語音合成模型對於合成聲音的節奏和音調控制能力有限，因此和真人旁白的影片相比，嘗試以AI製作影片旁白無法激起觀眾的情感。

隨著NVIDIA的文字轉語音研究團隊發展出更強大、控制能力更強的語音合成模型，透過RAD-TTS，使用個人說話的聲音來訓練文字轉語音模型，可以將任何文字提示變成說話者的聲音。聲音轉換是它的另一項功能，例如畫面上是A在說話(甚至是唱歌)，觀眾們聽到的卻是B的聲音。設計RAD-TTS介面的靈感來源是將人的聲音當成一種樂器，使用者便能夠逐幀微調合成聲音的音調、持續時間和能量。

影片製作人可以使用這個介面，錄製自己讀出影片腳本的聲音，接著用 AI 模型將說話內容變成女性旁白者的聲音。製作人可以再運用這個基本的旁白內容，像配音員一樣指導AI並進行調整，讓合成出來的語音強調特定字眼、修改旁白節奏，以更貼切地表達影片的調性。

該AI模型不只能用在配音上：文字轉語音的功能還能用在遊戲、協助聲音機能或語言機能障礙者，或幫助使用者用自己的聲音翻譯不同語言；甚至還能重現著名歌手的表演，不僅可以配合歌曲旋律，還能配合人聲背後所表達的情感。