据悉，Voicebox AI 模型只需要一段 2 秒钟的音频样本，即可准确辨别出音频细节、音色，并基于文字结果转换为语音输出，支持英语、法语、德语、西班牙语。此外，Voicebox 还具备“基于语音片段前后内容来补齐中间缺失内容”的能力。

Meta 表示，Voicebox 可以为基于 AI 的虚拟助手或元宇宙中的 NPC 提供自然而真实的语音效果。而对于无障碍方面而言，Voicebox 也可以对声带受损的人群提供一定的协助作用。