arXiv · cs.LG· Juan Pablo Vigneaux, Jennifer Cole·2026-10-21 12:00· 1 天前

在 TTS 合成中引导语调旋律：CSM 与 S2 的机制分析与干预

Steering intonational tunes in text-to-speech synthesis

AI 导读

研究在基于残差向量量化的 TTS 模型 CSM 和 S2 中定位英语核心语调（nuclear tune）的承载组件，发现骨干网络的隐藏状态经 depth model 传递语调，而 token 栈第一层几乎不携带该信息。

来源：arXiv · cs.LG · arxiv.org