VALL-E X는 마이크로소프트가 발표한 제로샷 다국어 음성 합성 모델 VALL-E X를 재현한 오픈소스 구현체입니다. 단 3초 분량의 짧은 음성 샘플만으로 화자의 음색과 억양, 감정을 추출해 해당 목소리로 임의의 텍스트를 새로운 언어로도 읽어주는 크로스링구얼 보이스 클로닝을 지원합니다. 내부적으로 대규모 오디오 코덱 언어 모델(GPT 계열 트랜스포머)을 사용해 음성을 이산 토큰 시퀀스로 다루며, 텍스트와 음향 프롬프트를 조건으로 다음 오디오 토큰을 예측하는 방식으로 동작합니다. 별도의 화자별 파인튜닝 없이도 짧은 레퍼런스 음성만으로 즉시 목소리를 복제할 수 있어 더빙, 오디오북 내레이션, 다국어 콘텐츠 제작 등에 활용됩니다. MIT 라이선스로 공개되어 자유롭게 수정 및 재배포가 가능합니다.