DEFINE：基于示例引导的零样本 TTS 口音控制方法
Get the story
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。
Generated from reports · updated 4 hr ago
Developments
- Oct 2 · 1 reportsDEFINE: Exemplar-Guided Accent Control for Zero-Shot TTSarXiv · Audio and Speech: DEFINE：基于示例引导的零样本 TTS 口音控制方法
- Oct 2 · 1 reports发音源-滤波器 TTS：通过声道运动学实现基于物理的可控语音合成arXiv · Audio and Speech: 发音源-滤波器 TTS：通过声道运动学实现基于物理的可控语音合成
Timeline
Follow the coverage from different angles.
- arXiv · Audio and Speech发音源-滤波器 TTS：通过声道运动学实现基于物理的可控语音合成
该研究提出一种基于发音运动学的可控源-滤波器 TTS 架构，由声学到发音反演（AAI）模型生成伪运动学轨迹，分别预测基频与能量轮廓并参数化声门源，源与滤波器独立预测后经 OT-CFM 模块优化再重组为频谱。在保持与同等规模基线相当的可懂度与自然度的同时，实现了清晰的源-滤波器解耦，支持稳定的韵律缩放与跨说话者源/滤波器重组，以及通过直接操控发音轨迹实现口音修改等细粒度控制。
- arXiv · Audio and SpeechDEFINE：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。
Heat trend
Current heat 9·Comparable peak 10（Oct 2）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.