RALM L7

新的 TTS 研究质疑说话人语音合成中的可解码性与可控性

一篇新发表在 arXiv 上的研究论文探讨了连续潜在空间文本到语音（TTS）系统中说话人控制的细微差别。该研究题为“可解码性不等于可控性”，证明了高线性可解码性并不一定等同于因果可控性。研究人员发现，尽管像 VoxCPM2 这样的模型中的某些层在说话人识别方面保持高精度，但直接编辑这些状态并不能可靠地产生预期的目标说话人的声音。相反，在声学语言模型的早期阶段进行干预，在实现准确的说话人控制方面被证明更有效。