在NVIDIA旗下針對人工智慧技術應用研究項目中，語音項目已經成為相當重要研究內容，其中包含針對線上視訊互動時的聲音識別優化、擬人化的聊天機器人等應用，而NVIDIA的目標更希望創造更富「情感」的人機互動體驗。
NVIDIA深度學習應用研究部門副總裁Bryan Catanzaro表示，「聲音」在許多時候成為溝通重要關鍵，尤其在人與人之間溝通會透過聲音起伏變化判斷對方說話時的情緒，進而產生不同互動感受。
目前在NVIDIA針對聲音項目的研究中，不僅透過人工智慧分析語句、語意等內容，同時也會藉由音調起伏等變化，藉此記錄各類說話時產生情緒，使得人工合成聲音可以變得更有「感情」，進而能夠呈現更「真實」的電腦語音，並且讓機器人、數位助理服務在聲音互動更有親和力。
Bryan Catanzaro說明，一般人在與機器人等科技產物互動時，若接收到的是較為冰冷的電子合成語音，勢必會讓互動體驗大幅降低，但如果能透過更貼近自然人聲說話模式呈現，則會吸引更多互動意願，原因在於更貼近自然人聲的互動模式較容易讓使用者放下「戒心」。
例如近年用於展示人工智慧技術應用的「I am AI」短片中所呈現口白，實際上就是透過NVIDIA旗下人工智慧技術合成的電子語音，其中不僅參考自然人聲發音，更透過後續調整讓整體口說內容更像真人表達，藉此詮釋NVIDIA在人工智慧技術投入應用方向，亦即讓人工智慧可以協助人類完成更多挑戰。
而為了讓人工智慧技術合成的電子語音更像真人，NVIDIA目前也與諸如Mozilla Common Voice等第三方語音資料內容提供者合作，透過更龐大語音資料量進行訓練，讓人工智慧可以呈現各地區語言、不同口音呈現方式，其中包含美國英語、英國英語或澳洲英語發音上的差異，或是同樣都是中文，在台灣、中國、新加坡、香港等地區也會有不同發音表現，藉由人工智慧進行深度學習，都能讓系統呈現不同發音。
在NVIDIA的目標中，自然是希望消除機器人等裝置透過語音與人互動時的隔閡感，甚至讓人工智慧驅動互動服務能以更貼近真人發音增進互動真實感，或是搭配肢體語言更加活靈活現。
至於在應用部分，NVIDIA更強調可透過SDK、API等資源讓開發者更容易串接使用，進而創造更豐富的擬真互動系統，同時也能讓更多應用服務透過擬人化方式吸引更多人使用。
