PulseAugur
中
实时 11:18:24
English(EN) WordVoice: Explicit and Decoupled Multi-Dimensional Word-Level Control for LLM-Based TTS

WordVoice框架为基于LLM的TTS提供显式、多维度的单词级控制

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出WordVoice，一个旨在增强对基于大型语言模型（LLM）的文本到语音（TTS）系统控制的新型框架。该系统通过实现显式的、多维度的单词级声学操控，解决了当前隐式生成方法的局限性。为此，创建了一个名为WordVoice-5A的实质性双语数据集，其中包含五维的单词级标注。WordVoice框架包含一个用于声学规划的绑定令牌机制和一个用于弥合离散令牌与连续波形之间差距的细粒度调制模块，在保持合成稳定性的同时提供了卓越的控制。 AI

影响 增强了对基于LLM的TTS系统的控制，可能改进有声读物旁白和视频配音等应用。

排序理由 该集群包含一篇详细介绍TTS新框架和数据集的研究论文。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

WordVoice框架为基于LLM的TTS提供显式、多维度的单词级控制

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Sihang Nie, Jinxin Ji, Xiaofen Xing, Deyi Tuo, Chengbin Jin, Jialong Mai, Xiangmin Xu ·

    WordVoice: Explicit and Decoupled Multi-Dimensional Word-Level Control for LLM-Based TTS

    arXiv:2607.06461v1 Announce Type: cross Abstract: While recent Large Language Model (LLM)-based Text-to-Speech (TTS) systems have achieved remarkable naturalness, they predominantly rely on implicit end-to-end generation paradigms, resulting in coarse-grained control. In scenario…

  2. arXiv cs.CL TIER_1 English(EN) · Xiangmin Xu ·

    WordVoice：基于LLM的TTS的显式且解耦的多维词级控制

    While recent Large Language Model (LLM)-based Text-to-Speech (TTS) systems have achieved remarkable naturalness, they predominantly rely on implicit end-to-end generation paradigms, resulting in coarse-grained control. In scenarios demanding precise stylistic interventions and st…

相关实体

相关话题