DEFINE：基于示例引导的零样本 TTS 口音控制方法

DEFINE 是一个基于 F5-TTS 与参数高效 LoRA 微调的端到端零样本 TTS 框架，通过分离说话人身份与目标口音的音频示例实现口音控制。单个推理权重可连续调节口音强度，无需口音标签或后合成波形转换。在已见口音上，口音探针准确率从 6.5% 提升至 19.6%；单一模型在已见和域外口音上达到与双模型 TTS-变声级联相当的口音迁移效果，同时保持更高说话人相似度和可比语音质量。