新的TTS方法使用伪三元组来模仿配音演员的指令遵循能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-03 04:00

研究人员开发了一种新颖的文本到语音（TTS）合成方法，该方法模仿配音演员如何根据表演指令调整其发音。这种方法被称为指令遵循TTS，旨在生成反映特定风格变化但同时保持原始说话者身份和语言内容的语音。为了克服相关训练数据的稀缺性，该团队设计了一个可扩展的管道来构建伪三元组，伪三元组由参考话语、指令文本和修改后的话语组成。该管道利用一个可印象控制的TTS模型进行风格变化，并使用LLM从估计的印象差异中生成自然语言指令。实验表明，仅凭这些伪三元组就能实现稳定、保留说话者特征的修改，并且在与录制数据结合使用时，在指令对齐和说话者相似性方面取得了进一步的改进。 AI

影响这项研究可能带来更细致、更可控的语音合成，从而实现需要动态语音调整的应用。

排序理由详细介绍一种新的TTS合成方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍一种新的TTS合成方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Kenichi Fujita, Yusuke Ijima · 2026-09-03 04:00

通过语音印象引导的伪三元组构建实现可扩展的定向语音合成

arXiv:2609.02623v1 Announce Type: cross Abstract: Voice actors often re-read the same script while modifying their delivery in response to performance directions. We study this setting as direction-following TTS, where a system generates a new utterance that reflects a given dire…

本文如何被排名

报道来源 [1]

通过语音印象引导的伪三元组构建实现可扩展的定向语音合成

相关实体

相关话题