VALL-E X具備出色的語音合成能力，僅需使用3秒鐘未曾見過的說話者的錄音作為聲學提示，便能合成出高質量的個性化語音。這一特性使得即使母語講者也能在另一種語言中執行語音合成。目前，VALL-E X支持三種語言（英語、中文、日語）的零嘗試、單語/跨語言文本到語音功能，為語音合成領域帶來了卓越的性能和多樣性。

上傳一個持續3到10秒的語音作為音頻提示，并鍵入您想要合成的文本。

模型將用您的音頻提示相同的聲音合成給定文本的語音。

模型還傾向于保留您給定語音的情感和聲學環境。