VoTSpeech：解耦音色设计与语音生成

Wenbing Yang等作者发布论文提出VoTSpeech，一种指令跟随的文本转语音（TTS）方法，通过显式中间音色latent将音色设计与语音生成解耦。 该方法基于共享语言模型骨干：先用flow-based模块从文本指令预测连续音色latent，再将其同时作为语言模型与Acoustic DiT的共享条件，最终由音频VAE解码器生成波形。作者称代码、模型和音频样例已公开。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。