VALL-E一种用于文本到语音合成(TTS)的语言建模方法。具体来说，我们使用从现成的神经音频编解码器模型派生的离散代码来训练神经编解码器语言模型（称为VALL-E），并将TTS视为条件语言建模任务，而不是像以前的工作那样连续信号回归。