微软日前推出语音合成模型NaturalSpeech2，该模型采用潜在扩散式设计，可提供“商业级”语音/歌唱解决方案。在零样本情况下，该模型可以生成具有不同说话人身份、韵律和风格（如唱歌）的语音的能力。且其在零样本条件下生成的语音与语音提示，和真实语音的韵律近乎一致，并在LibriTTS和VCTK测试集上的自然度（以CMOS为度量）与真人语音难以区分。
