arXiv · NLP· Wenbing Yang, Qihang Lu, Zihan Sun, Peilei Jia, Yingming Gao, Ya Li, Jun Gao·· 2026-10-14AI 评分33
VoTSpeech 将语音设计与语音生成分离,实现指令驱动的可控 TTS
VoTSpeech: Decoupling Voice Design from Speech Generation in Instruction-Following TTS
AI 导读
VoTSpeech 通过显式中间语音 latent 将语音设计与语音生成分离,基于共享语言模型骨干,用 flow-based 模块从文本指令预测连续 voice latent,并作为 Acoustic DiT 与语言模型的共享条件。
来源:arXiv · NLP · arxiv.org