一句之内换情绪又变语速：不训练模型只改推理时条件访问

英文题目：TED-TTS: Training-Free Intra-Utterance Emotion and Duration Control for Text-to-Speech Synthesis

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.1077

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#测试时自适应 #零样本 #语音 #文本到语音

评分：7.0/10 | 创新 1.6/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Qifan Liang：机构信息未能从会议 PDF 纯文本可靠映射
• Yuansen Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Ruixin Wei：机构信息未能从会议 PDF 纯文本可靠映射
• Nan Lu：机构信息未能从会议 PDF 纯文本可靠映射
• Junchuan Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Ye Wang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为含2至3个情感段的原始文本与分段情感及语速目标，输出为一次连续生成的语音，难点在于自回归语义流无显式边界且情感条件易串扰、局部变速易导致提前终止。方法先由微调后Qwen3-8B将原文解析为情感描述与时长对，其输出直接作为后续条件调度的分段依据。接着以二维因果掩码隔离各段情感条件可见性并保持全文语义可见，使各段只受自身情感约束。然后单调流对齐在线跟踪语义与文本位置以调度掩码切换，局部时长嵌入转向与全局EOS偏置协同控制段内配速与整句终止。相对分段独立合成再拼接已有方法，该机制在单次解码中实现平滑过渡并保留全局连贯，避免拼接断裂与说话人漂移。在英文语音提示情感控制评测下，本方法的DNSM指标为3.925，高于基线IndexTTS2的DNSM指标3.871。其适用边界受限于IndexTTS2类自回归文本到语义结构、7类预设情感与中英两语，尚未验证渐进式情感轨迹与更细粒度时长外推。推理开销方面，从S1到S3自回归阶段延迟在英文上增加13.4%且在中文上增加14.7%，仍保持实时性能。

🔗 开源与复现资源

• 第三方资源：https://github.com/index-tts/index-tts — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/SWivid/F5-TTS — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/SparkAudio/Spark-TTS — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/FunAudioLLM/CosyVoice?tab= → https://github.com/QwenAudio/CosyVoice?tab= — 链接可访问（HTTP 200）
• 第三方资源：https://huggingface.co/openai/ — 暂时无法访问
• 第三方资源：https://huggingface.co/funasr/paraformer-zh — 暂时无法访问
• 第三方资源：https://github.com/fcumlin/DNSMOSPro — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/gabrielmittag/NISQA — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/microsoft/DNS-Chall — 链接不可用（HTTP 404）
• 第三方资源：https://openai.com/index/hello-gpt-4o/ — 链接可访问（HTTP 200）
• 第三方资源：https://api-docs.deepseek.com/ — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

人说话为什么一句内会变脸又变速？

输入是用户给的一段内容文本，目标是在 1 次生成中让同一句话出现多种情绪和多种语速，输出是连续的语音波形，必须保留的信息包括每段文本边界、每段情绪条件、每段期望时长以及说话人身份一致。初学者容易把可控语音合成理解为给模型一个全局标签，例如整句开心或整句放慢，但真实说话会随语义、强调和对话意图在句内起伏，前半句失落、后半句因重逢而上扬就是典型例子。本文研究的就是句内控制，而不是句间控制。

句间控制指一句话 1 个条件，多段独立合成再拼接，拼接处容易出现音色断裂和过渡生硬。句内控制要求在 1 次自回归生成中完成多次条件切换，同时保持语义连贯和音色稳定。论文把挑战归因于两点，一是连续生成的语义流没有显式段边界，难以把段级条件准确施加到对应文本，二是局部调快调慢容易破坏全局何时结束的判断。因此后续方法都围绕推理时如何隔离条件、如何知道当前说到哪里、如何兼顾局部与全局来展开。

已有路线在输入、目标和训练代价上有何不同？

按输入模态划分，语音提示方法用参考情感录音迁移强度和韵律，优点是细节丰富，缺点是实际使用时不一定有合适的参考音频。文本提示方法用离散情绪标签或自然语言描述控制合成，近期工作支持更连续的描述，但多数仍把一个全局情绪用于整句，无法表达句内动态。按目标粒度划分，音素帧级属性预测和含笑声哭声的局部表达尝试过细粒度控制，WeSCon 则用自训练加过渡平滑实现句内多情绪，但依赖大规模时间对齐标注或多阶段训练，跨模型迁移困难。

时长控制方面，非自回归路线用显式时长预测器，基于扩散或流模型，训练独立且在韵律多变时时间精度不稳，自回归路线本身缺乏时长控制，常靠自然语言计时提示或专用属性标签，IndexTTS2 用时长位置嵌入把语义 token 生成与目标长度对齐，但仍难解耦局部 pacing 与全局终止。推理时控制方面，EmoKnob、PRESENT、SPTTS、EmoSteer-TTS 分别在说话人嵌入、韵律预测、隐空间方向和 token 激活层面做操控，特点是免训练，但多为隐式编辑，缺少对段级情绪与 pacing 联合切换的统一框架。

本文的定位是训练无关且同时处理情绪与时长两类段级切换，区别点在于不引入新预测器、不重训声学模型，只重组推理时条件访问与更新方式。

要解决的具体问题与不解决什么？

论文提出的问题是，能否在不重训模型的前提下实现稳定的段级情绪过渡与时长控制。形式化地说，给定切分为多个用户定义段的输入文本，每段指定条件嵌入，包含跨段共享的说话人身份嵌入和段特有的情绪条件，还给定每段期望时长，要求自回归文本到语义模块 1 次生成完整语义 token 流，期间按文本进度切换可见条件，并按时长预算调整生成 pace 与终止。

论文明确不解决渐进式连续情绪轨迹建模，情绪变化是按段切换而非连续插值，也不承诺在高表现力或域外条件下时长嵌入仍严格线性可控。这对初学者很重要，不要把段间信号连续误认为情绪本身是连续建模的，前者是掩码与对齐保证的不漏条件、不断语义，后者需要显式的中间情绪状态表示，而本文未引入该表示。

另一个边界是自动分段与描述的质量依赖大语言模型管线，管线错误会向下游传递，论文用自动校验加人工抽检缓解，但未给出误分段下的鲁棒性量化。

整体框架如何一次走完三段情绪与时长？

沿一个样本走完全程有助于建立依赖关系。假设用户输入一句话，提示构造模块先把它切为 3 段，分别对应开心、惊讶、难过，并给出每段期望秒数。说话人提示经说话人条件器得到身份嵌入，文本经分词得到文本 token，3 段情绪描述得到情绪嵌入，3 段秒数经换算查表得到时长嵌入。文本到语义语言模型逐个生成语义 token，生成过程中只能看到当前段的条件组合，看不到其他段的条件，但可以看到全部已生成的文本与语义上下文以保持语义连贯。

当在线对齐判断已说完当前段文本，就把可见条件切换到下一段，同时按进度偏差修正时长嵌入，并用结束符偏置防止提前结束。全部语义 token 生成完毕后，语义到梅尔模块与声码器把语义流还原为波形。下图给出 3 段从文本到波形的总览，先理解主路径再看两个分支如何介入。

文本到语义建模 × 语义到梅尔声码器： 文本到语义建模负责在自回归解码中决定说什么内容、以什么情绪节奏说，语义到梅尔声码器及后续声码器负责把语义 token 还原为可听波形，二者分工使本文所有控制只发生在第一阶段的掩码与偏置层面，不改动声学还原模块，组合意义是训练无关的控制可以迁移到同类自回归基座而不必重训声码器。

以下导读帮助建立输入到输出的主路径，重点看三色分段如何贯穿文本、嵌入、语义 token 与波形。

看图路径： 1. 先看左上三色文本框如何把一句话切为三段并标注不同情绪与秒数；2. 再看下方多段时长嵌入与情绪嵌入如何与说话人嵌入组合输入建模；3. 最后沿中间语义 token 向上追踪到声码器波形的三色分段输出

论文图 1。原论文 Figure 1：“Overview of our training-free framework for intra-utterance emotion and duration control, where the green, red, and blue regions denote three segments with different emotion and…”。

该图报告 3 段控制的总览，左侧三色文本框展示同一句话内不同情绪与时长设置，中间文本到语义建模同时挂载段感知的情绪条件与时长调速，底部显示说话人、时长、情绪与文本分词如何汇入，上方显示语义 token 经声学模块变为三色波形。关键是所有切换都发生在推理时的条件访问层面，基座结构与参数不做更新，这解释了为什么方法自称训练无关且可迁移到同类自回归基座。

情绪条件如何隔离又知道何时切换？

段感知的情绪条件策略包含两个配合部件。先说隔离部件 2 维因果注意力掩码。标准因果注意力允许文本与语义 token 跨段看到全局因果上下文，以保证语义连贯，但对条件嵌入的访问被限制为段内局部。具体而言，属于第几段的文本 token 或当前对齐到第几段的已生成语义 token，只能 attend 到对应段的条件嵌入，其他段条件被置为不可见，条件块之间也不允许互看以防交叉泄漏。这样情绪风格由局部活动条件决定，语义内容仍通过全局因果上下文保持可见。

再说切换时机部件单调流对齐。原始注意力图噪声大、头间不一致且非单调，不能直接驱动掩码切换。该算法在每个解码步维护文本位置上的信念分布，先用单调转移算子把上一时刻后验向前传播得到先验，鼓励向前移动、抑制回跳，再用先验与各层各头注意力分布的一致性挑选最可靠的头作为观测，最后把观测经高斯平滑后与先验逐元素相乘并归一化得到后验。

对后验求期望对齐位置，一旦越过当前段边界就把活动段索引加一，后续语义 token 改为可见新段条件。

2 维因果注意力掩码 × 单调流对齐： 2 维因果注意力掩码负责把条件可见性切分为段内可见、段间不可见，单调流对齐负责在线估计当前语义 token 对应到哪个文本位置以决定何时切换可见段，二者搭配的原因是掩码本身不知道切换时机而对齐本身不执行隔离，组合后才实现情绪条件随文本进度逐段切换且语义上下文仍全局可见。

以下导读聚焦对齐 3 步与掩码切换的对应关系，重点看噪声图如何变为平滑轨迹并触发条件块更换。

看图路径： 1. 先看顶部预测选择更新三栏如何从上一时刻后验推出先验并挑选注意力头；2. 再看中部左侧噪声注意力图经处理后变为右侧平滑单调对齐轨迹；3. 最后看底部情绪注意力掩码在切换线前后如何更换可见的条件块

论文图 4。原论文 Figure 4：“Detailed illustration of Monotonic Stream Alignment (MSA) in segment-aware emotion condition- ing, where from top to bottom are MSA algorithm, MSA alignment result, and the…”。

该图自上而下展示预测选择更新算法、中部对齐结果与底部情绪注意力掩码。中部左侧多层多头原始注意力分散，右侧经处理后形成沿生成进度单调向前的轨迹，虚线处触发情绪切换，底部掩码在切换线前后分别只保留对应条件块可见。这说明切换不是按固定步数硬切，而是由在线文本语义对齐驱动，这也是消融中去掉对齐会损失过渡平滑的原因。

时长如何做到段内可调、整句不早停？

段感知的时长调速同样分为局部与全局两层。局部层先把每段期望秒数按声码器 token 率换算为目标语义 token 数，再累加为累计目标长度并查时长嵌入表得到初始时长嵌入，拼入该段条件输入。生成速度可能因对齐不确定与采样随机偏离目标，因此引入在线比例控制器。每一解码步用对齐模块估计当前段内的文本进度与语义进度，计算差值，正值表示语义落后，用增益换算为目标长度修正量并做截断与取整，重新查表得到更新后的时长嵌入。

为稳定起见，更新是低频的，每多个语义 token 共享同一时长嵌入。全局层处理结束符。只调局部 pace 不管何时停，会在非末段提前结束或在末段拖尾。因此非末段完全压制结束符，末段按已生成与目标预算之比动态调整结束偏置，比例过小时强压制，接近预算时逐渐中性，超过预算后鼓励结束，偏置有上下界约束。原文给出固定超参数并在所有实验中保持不变，初学者复述时应保留低频更新、截断幅度与分段压制这些机制，不要自行脑补为每步都更新。

局部时长嵌入调速 × 全局终止符调制： 局部时长嵌入调速负责对照文本进度与语义进度偏差在线修正当前段的目标 token 数并重查时长表，全局终止符调制负责压制非末段的结束符并在末段按剩余预算调整结束偏置，二者搭配的原因是只调局部 pace 不管何时停会导致早停或拖尾，组合后才实现段内可快慢、整句仍在预算附近正常结束。

以下导读帮助区分左右两大虚线框的分工，左侧管时长嵌入的查表与修正，右侧管对齐观测的筛选与融合，顶部偏置线管结束时机。

看图路径： 1. 先看左侧用户秒数经换算查表得到分段时长嵌入并参与在线更新；2. 再看右上候选文本位置与右下噪声注意力图如何做先验观测融合；3. 最后看底部掩码输入区中被遮蔽嵌入与当前生成语义 token 的对应关系

论文图 2。原论文 Figure 2：“Overview of our training-free framework for fine-grained intra-utterance emotion and duration control, illustrating the transition from the second (red) segment to the third…”。

该图展示从第二段向第 3 段过渡时左右策略如何协同。左侧用户秒数经换算与查表得到分段时长嵌入，中部进度记忆比较文本进度与语义进度以驱动上下调速，右上候选位置与右下噪声注意力图经平滑融合得到后验，底部掩码输入区显示被遮蔽嵌入与正在生成的语义 token 的对应关系。这对应了局部只改当前段嵌入、全局只改结束偏置的设计，复现时应分别实现为嵌入更新器与 logits 处理器，而不是混在一起调采样温度。

没有训练声学模型，那训练了什么、构造了什么？

本研究对底层语音合成模型没有训练阶段，所有情绪与时长控制都是推理时掩码与偏置操作，不更新声学参数，也不能把冻结参数理解为输出确定，采样随机与对齐噪声仍会带来波动。实际发生训练的是提示构造用的大语言模型。作者先构造多情绪多时长标注文本数据集，包含 30000 个样本，用于监督情绪感知的文本切分、自然语言情绪描述生成与段级时长估计。

管线分 3 步，第一步用生成式大模型产生英文与中文各 15000 条富含情绪过渡的内容文本，每条跨越多个情绪阶段，情绪取自开心、难过、生气、惊讶、害怕、厌恶、中性 7 类，文本类别覆盖描述、对话与观察 3 类，第二步用另 1 对话模型做语义切分并为每段写声音 affect 描述与时长估计，第 3 步做格式与边界自动检查再加人工抽检。基于该数据集，用 LoRA 对 Qwen3-8B 做有监督指令微调，只更新注意力与前馈投影层的低秩适配器，主干冻结，训练数个周期、有效批量较小、带预热与混合精度。

最终效果是原始用户文本可自动变为结构化多段提示，免去逐段手工切分与写提示。

内容文本生成 × 多段提示标注： 内容文本生成负责产生一句内含连续情绪过渡的中英文句子，多段提示标注负责把原句切为与情绪序列一一对应的连续片段并给出每段的声音 affect 描述与时长估计，二者搭配的原因是只有句子没有段边界就无法形成可执行的分段控制输入，组合后才得到可用于微调提示构造模型的情绪时长成对监督。

该数据集的统计特点是中英文与 3 类文体分布均衡，每类约 5000 条，3 段情绪的样本多于两段，7 类情绪的段数大致均匀，中文段平均字数与英文段平均词数在不同情绪间保持稳定但跨语言不同。复现提示构造时应保留原文的长度约束、段数约束、时长范围与去重阈值等校验规则，缺失任一规则都可能让下游控制输入出现段数与情绪序列不一致。

用什么数据、和谁比、按什么指标判定好坏？

内容文本、情绪提示与时长标注来自上述数据集，每种语言随机留出 500 条评测，其余用于微调提示模型。身份与情绪语音提示采用情感语音数据集，同一测试句固定同语言说话人以保证音色一致，说话人的情感录音作为段级情绪参考。比较对象覆盖非自回归与自回归两类，包括 MaskGCT、F5-TTS、CosyVoice2、Spark-TTS 与基座 IndexTTS2，所有基线与比较方法采用按段独立合成再拼接的策略，因为它们本身不具备句内可控能力，而本文方法是 1 次生成含全部句内变化。

客观指标方向需先记清，可懂度用英文词错率与中文字符错率，越低越好，说话人相似度、过渡平滑用的 DNSMOS Pro、自然度用的 NISQA、整体质量用的 OVRL 都是越高越好，情绪准确性按提示类型分别用情绪向量相似度或分类准确率。主观指标用 5 分制平均意见分，分别考察说话人相似、情绪过渡自然、情绪对齐与语速准确，由 15 名听音人评测并报告置信区间。时长评估固定情绪为中性，在多个缩放因子下检验段级合成。

语音情感提示 × 文本情感提示： 语音情感提示指用同一说话人的情感录音作为每段情绪参考，文本情感提示指用自然语言情绪描述作为每段条件，二者分工是前者考验对参考音色的情绪迁移，后者考验纯文本描述的可控性，搭配评估的原因是训练无关方法必须在两种实际输入形态下都保持过渡自然，组合后才能区分声学参考带来的增益与文本理解带来的增益。

该设置的关键公平性在于比较方法被允许分段独立生成，这对它们更有利，因为每段可用最匹配的全局条件，而本文方法要在 1 次连续生成中处理切换，难度更大。因此若本文在过渡平滑与整体质量上仍占优，更能支持句内 1 次生成的价值；若在可懂度或情绪识别上略低，也应理解为训练无关与连续生成的固有代价，而不是实现错误。

主结果支持什么、不支持什么？

论文报告在语音提示与文本提示两种情绪设置下，本文方法在多数客观指标的总体表现最好，在过渡平滑与说话人一致性上的增益较一致，可懂度与情绪识别分数并非每项最优但与基座相当，这符合训练无关框架受基座能力上界约束的预期。

时长控制方面，本文方法在两种语言下取得较好的过渡平滑、自然度与整体质量，反映时间 pacing 更稳，部分方法说话人相似度更高，但那主要来自中性情绪下分段独立合成的便利，与本文 1 次完成多段时长控制的现实场景不同。主观评测中，尽管比较方法是分段合成，本文 1 次生成仍在说话人相似、过渡自然、情绪对齐与语速准确等维度取得最优或有竞争力表现。

类别细分显示在多数文本类别与输入形态下自然度与整体质量占优，但在口语化强的情感对话文本提示下，强调表现力可能偏离目标音色，出现情绪表现力与音色保真之间的权衡。情绪类别细分显示本文在动态多段条件下的情绪相似度接近只能生成单情绪片段的方法，某些类别如生气与难过甚至更优，但这不意味着所有情绪都已解决，惊讶等类别仍有差距，论文将其作为有限解释而非普遍因果结论。

去掉全局文本或对齐会发生什么？

第一个反证问题是情绪条件中的全局文本可见性与在线对齐是否必要。比较条件包括完整方案、每段只能看局部文本的变体、去掉对齐模块的变体，以及时长部分的去掉局部调速与去掉全局结束控制变体。公平条件是同一基座、同一内容与同一指标集合，指标方向为可懂度越低越好，其余平滑、相似度与自然度越高越好。下表保留原文的数值写法与精度，阅读时先看完整方案是否在平滑与一致性上占优，再看可懂度是否出现反例。

该表显示完整方案在过渡平滑与说话人相似度上的优势较明显，去掉全局文本或去掉对齐都会降低这两项，而可懂度最低的反而是去掉对齐的变体，这构成一个具体代价与反例。支持的判断是全局文本访问与单调对齐主要贡献于跨段平滑过渡与音色一致，而非 token 级转写准确，去掉它们可能让模型更保守地发音从而词错更低，但情绪切换稳定性下降。

时长部分去掉局部调速带来最大跌落，去掉全局结束控制带来较小但一致的跌落，支持局部 pacing 主导段级自然度、全局结束提供额外稳定的解释。未胜出项必须正视，即本文方法没有在可懂度上全面最优，复述时不能把自动指标的局部最优推广为整体最优，也不能把自动指标当作人评。

对齐策略与效率代价如何取舍？

第二个反证问题是对齐机制的具体形式与计算代价。论文比较最大注意力头加贪心单调对齐、前多头加权平均加贪心对齐、最大头加单调流对齐与完整方案，完整方案用前多头可靠头选择并保留平滑。公平条件是同一语音内容与同一评估流程，指标越高越好。下表给出不同对齐策略下的客观对比，阅读时关注完整方案是否在多项上同时占优，以及贪心变体是否仍保持相对较高的水平。

该表显示完整方案在多项上占优，贪心单调对齐的变体出现可察觉的全面下降，说明单调流对齐不仅管文本音频同步，也稳定情绪内容。值得注意的边界是即便没有完整对齐，仅在 1 次连续流中合成多情绪也比独立分段拼接更能保留语义声学连贯，因此变体分数并未崩塌，这支持连续生成的结构价值，但不能反证对齐无用。效率方面，从基线到加入情绪条件再到加入时长调速，实时因子与自回归延迟逐步上升，英文与中文的增幅不同，但完整方案实时因子仍低于可实时阈值，多数开销来自自回归阶段。以下导读帮助量化该代价，先看柱高增幅再看延迟来源。

看图路径： 1. 先对比英文与中文两组中浅色基线与深色完整方案的实时因子柱高；2. 再看斜线自回归延迟与点状端到端延迟随组件叠加的变化幅度；3. 最后确认完整方案的实时因子是否仍保持在可实时区间内

论文图 6。原论文 Figure 6：“Efficiency analysis of the proposed frame- work under incremental configurations.”。

该图在相同硬件条件下比较基线、加情绪条件、再加时长调速三档配置，左侧英文、右侧中文，每组同时显示实时因子、自回归延迟与端到端延迟。可见情绪条件带来中等增幅，时长调速带来额外但可控的开销，自回归延迟增幅相对温和。这支持可控性与效率的权衡结论，部署时应把延迟预算主要留给自回归解码，而不是声码器。

哪些边界是论文自己承认的？

论文在局限中承认两点。第一，未显式建模相邻段之间的渐进情绪过渡，段感知掩码与对齐保证信号级连续，但情绪是按段控制而非连续轨迹，中间情绪状态表达受限。初学者不要把切换点平滑等同于情绪插值，前者是条件不泄漏、语义不断裂，后者需要额外的连续情绪表示与过渡动力学，而本文未引入。第二，时长控制精度受预训练基座时长表示限制，由于不更新参数，时长嵌入不一定支持严格线性或细粒度计时，在高表现力或域外条件下偏差可能增大。

伦理方面，论文说明合成文本数据来自大模型生成，存在事实或风格波动，所用模型与数据集按各自许可使用，不涉及私人身份语音，同时提醒高保真可控合成若被误用可能涉及说话人冒充与语音认证欺骗，实际应用应考虑水印、可追溯与检测模型等保障。这些不是技术错误，而是未验证的推测与风险声明，复述时应使用可能与待验证的措辞，不承诺未测量的误判率或延迟改善。

要复现应先做什么、保留哪些超参数？

复现应分 3 条线并行。第一条是提示构造，先按原文 3 步管线生成内容文本、做多段标注、跑自动校验与人工抽检，保留长度、段数、情绪集合、时长范围与去重阈值，再用相同 LoRA 配置微调提示模型，注意只更新适配器而冻结主干。

第二条是推理控制，在与 IndexTTS2 相同配置的文本到语义模块上实现 2 维加性偏置掩码，输入按条件块、文本、已生成语义的拼接顺序组织，先加标准因果掩码再按段覆盖条件可见性并隔离条件块之间，每步解码后记录活动段并用单调流对齐更新后验，过边界即切换。第 3 条是时长双控制器，局部用比例增益与触发阈值、低频更新与最大单步修正实现嵌入重查，全局用非末段压制与末段按预算比例调整结束偏置并设偏置上下界。

评测时固定说话人、固定切分，对基线采用分段独立合成再拼接，对本文方法采用 1 次生成，用原指标与聚合方式对比，不要混用不同切分或不同参考音频。缺项是原文未给出全部阈值的选择过程与部分基线权重细节，遇到缺项应明确标注未报告，不从模型名称推定实现。

何时值得尝试这个训练无关思路？

当已有一个质量较好的自回归语音合成基座，但没有段级标注数据或重训预算，又需要一句内换情绪与变语速时，该思路值得尝试，因为它把控制问题转化为推理时条件可见性与终止偏置的设计，可较快迁移到同类基座。当需要连续渐变情绪轨迹、严格线性时长或强域外鲁棒性时，则需补做验证或引入额外建模，因为本文的段级切换与冻结时长表示可能不够。

学习依赖可总结为先理解句内与句间控制的差异，再理解掩码隔离与对齐定时的分工，接着理解局部调速与全局终止的分工，最后用数据集构造与双维度评测把提示质量、过渡平滑、音色一致与效率代价串起来。重提结果时应增加适用条件，即优势主要体现在 1 次连续生成的过渡自然与整体质量，而可懂度与部分情绪类别仍受基座与权衡限制，部署前还需补测误分段鲁棒性与真实延迟分布。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

区域 6 · 查看论文原页

区域 7 · 查看论文原页

另有 29 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 acl-2026 论文汇总