文本到语音的转换正在变得越来越普及，但仍存在一个问题：它需要大量的训练时间和资源才能生成自然的输出。微软和中国的研究人员可能有更有效的方法。他们制作了一个文本到语音的人工智能，它只需要200个语音样本(大约20分钟)和匹配的转录，就可以生成逼真的语音。

微软小冰已经有了动画形象，若再加上逼真生动的语音，必将成为广大宅男的福音。

该系统在一定程度上依赖于一个转换器，也就是大致模拟大脑中神经元的深层神经网络。转换器像突触连接一样在飞行中测量每一个输入和输出，帮助它们高效地处理甚至是冗长的序列——比方说一个复杂的句子。结合去噪编码器组件，人工智能的工作效率会大大提高。