该工具经由 60000 小时英语语音数据的演习，并利用特定语音的 3 秒剪辑来天生内容。
与目前的许多人工智能工具不同，VALL-E 可以复制说话者的感情和语气，纵然说话者本人从未说过的单词也可以模拟。

微软宣告AI声音生成对象VALL-E只需3秒音频即可模仿人措辞_微软_语音 智能写作

IT之家理解到，康奈尔大学的一篇论文利用 VALL-E 合成了几种声音，大家可以在 GitHub 上聆听这些 AI 合成的音频。

研究职员指出，在许多情形下，Vall-E 的性能优于当前的文本到语音转换模型。
然而，该研究还写道，人工智能模型目前存在几个问题。
例如，文本提示中的某些单词可能会发音不清晰、完备遗漏或在输出中涌现两次。
此外，该模型目前难以模拟某些声音，尤其是带有口音的声音。

像其他 AI 新技能一样，VALL-E 在安全、伦理等方面也引发了担忧。
微软发布了关于利用 VALL-E 的道德声明，但未来的利用用场方面没有明确解释。

目前，微软 Vall-E 尚未开源。
微软已经在 GitHub 上创建了一个 Vall-E 存储库，但目前只包含一个描述文件。