Meta公司深度学习人工智能研究人员在介绍Voicebox时指出，Voicebox使用了“流匹配”方法，其表现优于当前最先进生成式语音系统使用的扩散模型。结果显示，Voicebox生成的人工音频更容易理解，单词错误率为1.9%，低于竞争对手的5.9%。此外，Voicebox生成的音频与真人的相似性更高，同时速度快了近20倍。

　　在跨语言翻译时，Voicebox的表现优于备受赞誉的多语言文本—语音AI YourTS，单词平均错误率从10.9%降低到5.2%，音频相似度从0.335提高到0.481。

　　Meta阐述了Voicebox的多种用途，称其可用来帮助视障人士听到朋友和亲人的信息，或允许非母语人士用自己的声音翻译自己所说的话。据悉，Voicebox目前能说6种语言：英语、法语、西班牙语、德语、波兰语和葡萄牙语。

　　不过，Meta强调称，由于潜在的滥用风险，他们目前不会公开Voicebox模型及其代码。虽然他们认为向人工智能社区开放并分享研究，对于推动人工智能向前迈进非常重要，但在开放与责任之间取得正确的平衡也至关重要。