arXiv · Audio and Speech· Sihang Nie, Xueru Li, Xiaofen Xing, Deyi Tuo, Cheng-Bin Jin, Jingyuan Xing, Jinxin Ji·· 3 小时前AI 评分22
InstCharVoice：基于自然语言指令的字符级可控文本转语音框架
InstCharVoice: Grounding Natural-Language Instructions for Character-Level Control in Text-to-Speech
AI 导读
InstCharVoice 提出一个统一框架，将自然语言指令映射到字符级声学控制，在 WordVoice-5A-zh 语料上使用 Qwen3-Omni 构建指令标注。模型通过关键词预测与接地感知损失加权，聚焦指令相关字符并预测其声学属性，再生成语音 token。实验显示在指令遵循和关键词级声学控制上优于代表性 ITTS 系统，同时保持自然度与字符级可控性。
来源：arXiv · Audio and Speech · arxiv.org