从文本到定时再到可懂语音：ControlAudio 为何要用渐进式扩散拆解控制

英文题目：ControlAudio: Tackling Text-Guided, Timing-Indicated and Intelligible Audio Generation via Progressive Diffusion Modeling

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.62

✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#扩散模型 #多任务学习 #音频生成 #语音合成

评分：7.3/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Yuxuan Jiang：机构信息未能从会议 PDF 纯文本可靠映射
• Zehua Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Zeqian Ju：机构信息未能从会议 PDF 纯文本可靠映射
• Yusheng Dai：机构信息未能从会议 PDF 纯文本可靠映射
• Weibei Dou：机构信息未能从会议 PDF 纯文本可靠映射
• Jun Zhu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作面向文本到音频生成中同时要求事件时间窗精确对齐与语音内容可懂的控制任务，输入为自由文本描述，输出为10秒音频，需解决细粒度时序标注与带转写语音数据稀缺导致的规模化可控性下降问题。方法链分三步推进：先以大规模弱标注文本音频对预训练基于扩散变换器（Diffusion Transformer，DiT）的潜空间生成模型，建立高质量文本到音频映射；再在强时间标注数据上以文本与结构化文本加时间窗条件切换微调，注入时间控制而不遗忘纯文本能力；最后解冻文本编码器并在真实标注与仿真混合数据上以文本、文本加时间窗、文本加时间窗加音素三种条件切换联合训练，统一建模语义、时序与发音内容。推理侧采用渐进引导采样，先用低引导权重与去音素提示建立事件布局，再切换至高引导权重与完整音素提示细化语音，从而与扩散由粗到细的生成过程对齐。与已有时间可控与可懂语音基线相比，关键差异在于以单一文本编码器统一处理结构化提示与音素扩展词表，避免多分支语音模块，并以多任务渐进训练替代单阶段联合训练。在AudioCondition测试集上ControlAudio事件级F1（Event-based F1，Eb）达55.58，超过FreeAudio的44.34，同时实时因子（Real-Time Factor，RTF）为0.821。在AC-Filtered上词错率（Word Error Rate，WER）为6.84，优于VoiceLDM-M的8.84，表明时间精度与可懂度同步提升。该结论限于10秒固定时长、16 kHz单声道英文为主场景，对情感韵律与说话人身份控制及复杂重叠下音质与可懂度权衡尚未验证。训练成本为3阶段共2M步、8卡NVIDIA A800、总批量128，推理需100步扩散采样。

🔗 开源与复现资源

• 第三方资源：https://deepmind.google/models/gemini/pro/ — 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

输入是什么，输出是什么，哪些信息必须保留？

本文面向刚进入音频生成的研究生，先把任务边界讲清楚。输入是用户给的一段自然语言描述，输出是 10 秒时长的单声道音频波形，采样率为 16 千赫兹。目标不是只生成好听的声音，而是同时满足 3 类指示。第一类是文本语义，例如有鸟叫或雨声。第二类是定时指示，例如鸟叫出现在第 2 秒到第 5 秒。第 3 类是可懂的语音内容，例如男声在第 0 秒到第 4 点 5 秒说出一句完整可转写的话。

必须保留的信息包括每个声音事件的名称、起止时间，以及语音事件对应的文字内容。论文举例说明了统一框架的难度，例如在轻雨与雷声背景下，男声先说话、小女孩随后问候，每个事件都有自己的时间窗和说话文本。初学者容易把这理解为文本到音频加文本到语音的简单拼接，但论文指出难点在于数据稀缺与控制冲突。带精确时间与转写的大规模文本音频对很少，定时标注数据集缺乏语音转写，语音数据集又缺乏可靠时间标签。直接联合训练容易顾此失彼，而推理时一次性施加全部条件也与扩散模型先粗后细的生成顺序不一致。

因此本文的输出是 1 篇可复述的方法解读。读者读完应能复述数据如何从文本、定时、音素 3 级逐步构造，表示如何用同一个编码器统一编码，训练如何分 3 阶段切换条件，推理如何分两段切换提示与引导强度，以及实验在哪些数据集与指标上验证了时间精度与语音清晰度。教学中举的例子仅为帮助理解流程，不新增论文之外的数值或效果断言。

同输入同目标的已有路线分歧在哪里？

相关工作可以按输入、目标、监督与运行阶段来对照。第一条路线是定时可控的文本到音频生成。基于训练的方法如多条件扩散、PicoAudio 与音频控制网络，依赖预定义事件类别，开放域提示灵活性受限。后续用自然语言作控制接口的方法在复杂多事件场景下容易出现歧义。另一类免训练方法在推理时操纵隐变量实现时间对齐，但计算开销大且在密集事件下吃力。

第二条路线是可懂语音生成。多数文本到音频模型把语音生成为含糊的人声，而专用语音模型虽然语音质量高，但被设计为专用文本到语音系统，缺乏对通用音频事件的统一控制。对话类工作主要面向纯语音场景。论文指出此前没有工作在统一框架内同时处理定时控制的通用音频事件与可懂的多说话人对话。

第三条路线是渐进式建模。在视频或数字人生成中，用多条件渐进建模已证明有效，但在文本到音频中只被部分探索，例如长叙事音频与视频到音频，尚未扩展到同时要求精确定时与可懂语音的可控生成。ControlAudio 的定位是把渐进思想同时用于数据、训练与采样 3 个环节，而不是只在某一环节加一个控制模块。

为什么把可控生成写成多任务渐进学习？

论文把问题重新表述为多任务学习。条件信息按由粗到细排列为文本、定时、音素。文本决定场景语义，定时决定事件在时间轴上的占据区间，音素决定语音事件内部的发音序列。每 1 级都以前 1 级为基础，时间窗约束了语音总时长，音素序列则要在该时长内被渲染出来。这种层级关系是后文所有渐进设计的学习依赖。

如果把 3 类条件一次性加入，模型需要同时学好通用音频映射、时间边界对齐与发音清晰度，而后两者的监督数据远少于第一类。论文因此预先定义每个训练阶段的目标分布。第 1 阶段只用大规模文本音频对学好通用映射，第二阶段加入定时，第 3 阶段再加入音素。每个阶段都保留对更粗条件的训练，用条件切换避免灾难性遗忘。推理侧同样拆分，先用粗条件定结构，再用细条件填内容，使条件粒度与扩散采样的粗到细过程对齐。

三级条件如何贯穿数据、训练与采样？

ControlAudio 的方法全景可以沿一个样本走一遍。假设用户输入是在轻雨与雷声中男声说话、小女孩问候。系统先用思维链规划把自由描述转成结构化提示，得到雨声覆盖全长、雷声出现两段、男声与女孩各有时间窗与说话文本。随后统一语义编码器把文本、时间符号与音素符号编码为条件嵌入，扩散变换器在压缩隐空间中去噪生成音频隐表示，再经解码器重建波形。训练时该样本属于哪 1 阶段决定了使用哪 1 级条件，推理时同一结构化提示被拆成不含音素的前段版本与包含音素的后段版本分别引导前后采样区间。

下图展示了这种端到端渐进扩散建模，左侧为 3 阶段训练，右侧为两段采样，时间结构与语音内容被解耦控制。

渐进式模型训练 × 渐进式引导采样： 渐进式模型训练分工是分 3 阶段依次引入文本、定时、音素条件并保留旧条件训练，解决灾难性遗忘与多任务稳定学习问题，渐进式引导采样分工是在采样前段只用文本加定时与低引导强度、后段再加入音素与高引导强度，二者搭配的原因是训练与推理都遵循从粗粒度结构到细粒度内容的顺序，组合意义是时间放置与内容渲染解耦。

看图路径： 1. 先沿左上到左下看三个训练阶段的输入条件如何从文本扩展到文本加定时再到文本加定时加音素；2. 再看右半部分采样箭头如何从上向下由低引导强度的结构规划过渡到高引导强度的内容细化；3. 对比第三阶段中标注数据与仿真数据的两条来源箭头，确认它们汇入同一联合训练框

论文图 1。原论文 Figure 1：“The end-to-end Progressive Diffusion Modeling of ControlAudio, which combines a progressive model training with a progressive guided sampling process for decoupled control of…”。

该图把训练与采样放在同一视图中有教学意义。训练侧从上到下条件逐步增多，数据侧同时给出标注与仿真两条来源，采样侧从上到下引导强度由低到高、提示由简到全。理解这张图后，后续组件、训练与采样的细节都可以挂到粗到细这条主线上，不会把时间控制与语音清晰度看成两个孤立技巧。

结构化提示与单个编码器如何分工？

表示部分是复现时最容易写错的地方，需要先讲白话。结构化提示是一种用特殊符号定界事件与时间的字符串模板，每个事件写成事件名加多个起止区间的形式。音素表示是把说话文本进一步转成发音单元，例如把问候转成对应的音素序列，并拼在同一事件括号内的时间区间之后。统一语义建模是指只用一个预训练文本编码器处理上述全部符号，通过扩展词表加入音素符号，而不为语音单独增加音频语义模块。

论文强调自由文本的歧义，例如从低到高既可能指音高变化也可能指时间边界，且事件增多后描述变得冗长难解析。结构化格式用机器可读的方式消除这种歧义。下例从自由文本出发，先附加时间，再附加音素，直观展示了条件由粗到细的扩展过程。

看图路径： 1. 逐行对比第一部分自由文本与第二部分每个事件后附加时间区间的写法差异；2. 观察第三部分在同一事件括号内时间区间之后继续拼接音素符号的位置；3. 记录示例中雨声覆盖全长而雷声出现两段的写法，理解多段时间的表达方式

论文图 2。原论文 Figure 2：“An illustrative example for structured prompt.”。

该示例值得逐行读。第一部分只有一句话描述，第二部分保留原句并为轻雨、雷声、男声、小女孩各加一行时间标注，其中雷声一行包含两个区间，第三部分在两个说话事件的时间之后继续拼接音素符号，并在末尾注明原始说话文本。这种写法让时间窗与发音序列处于同一编码器输入中，模型可以直接学到在指定时长内渲染指定发音序列的映射。推理时用户只需提供自由描述，思维链规划负责补全中间的时间与内容，再拼成此格式。

文本到音频生成 × 定时控制生成： 文本到音频生成负责把自然语言描述映射为整体声学内容，解决生成什么的问题，定时控制生成负责把每个事件固定到起止时间窗口，解决何时出现的问题，二者搭配的原因是自由文本难以无歧义表达多事件边界，组合意义是用结构化提示让同一编码器同时保留语义与时间边界。

结构化提示 × 音素表示： 结构化提示分工是给出事件名与起止时间的多段模板，避免自然语言中从低到高这类歧义，音素表示分工是把说话内容转成发音单元并拼在对应事件之后，二者搭配的原因是时间窗天然给出了整句时长约束，组合意义是让单个文本编码器在同一嵌入空间内先定框再填发音细节。

扩散变换器 × 分类器无关引导： 扩散变换器分工是在压缩隐空间中迭代去噪生成音频隐表示，分类器无关引导分工是在每步以外推条件预测与无条件预测之差来加强条件服从，二者搭配的原因是扩散采样本身具有先粗后细的特性，组合意义是通过前后两段使用不同引导强度，分别先稳定时间结构再强化语音内容。

补充一个实现细节。基础扩散模型采用隐扩散框架与扩散变换器主干，音频经描述音频变分自编码器压缩，隐时间分辨率为 25 赫兹，生成 10 秒片段。条件经交叉注意力注入，采用预训练的 Flan-T5 大模型作文本编码器，文本、定时与音素统一在共享嵌入空间中表示。前 2 阶段编码器参数冻结，第 3 阶段才解冻并与扩散主干联合优化，使条件端与生成端共同适应多目标任务。

数据、训练与推理的渐进步骤如何操作？

训练节按构造、优化与采样 3 步讲具体动作。数据构造分标注与仿真两路。标注路从 AudioSet-SL 出发，先选出含人类语音的 49950 个片段，用双重分离策略比较两种分离工具的输出以提取干净语音轨道，再按原时间戳切分为 173831 个语音事件，最后用 Gemini 2.5 Pro 转写，听不清或被噪声掩盖的片段返回空转写以过滤，最终保留 152070 个带起止时间与转写的高质量事件。仿真路先从 AudioSet-SL 统计先验，再按先验合成。

单说话人与多说话人比例、多说话人中每段的语句数分布都来自真实统计，语音取自 LibriTTS-R，背景取自 WavCaps 与 VGG-Sound 的非语音子集，按 2 到 10 分贝的均匀信噪比混合，最终生成 171246 个复杂场景。上述链接在本次核对中显示当前可用，状态码为 200，但复现时仍应以实际可达为准。

下图为思维链规划管线，展示了自由描述如何被拆成事件、时间与说话内容 3 步推理。

看图路径： 1. 从最左侧用户自由描述出发，沿中间两栏看事件与时间规划如何先拆出四个事件；2. 再看语音内容规划如何为男声与小女孩分别补写与时长相称的话语；3. 最后看右侧解析结果如何把上述信息拼成可直接送入编码器的结构化字符串

论文图 3。原论文 Figure 3：“Overview of our CoT-based LLM planning pipeline.”。

该管线分 3 步执行。第一步为事件与时间规划，识别不同音频事件并为每个事件推断多段时间跨度，以处理同一事件出现多次的情况。第二步为语音内容规划，为被识别为语音的事件补写符合上下文的话语。第 3 步为提示重写，把原描述与每个事件的名称、时间跨度与说话内容序列化为最终结构化提示。这种规划对多说话人对话尤其重要，因为它可以为不同说话人在不同时间分配不同话语，而不仅是把整段话交由单一声音读出。

标注数据 × 仿真数据： 标注数据分工是提供真实世界的带时间边界与转写的语音事件，解决真实性问题，仿真数据分工是按真实统计先验组合朗读语音与背景声，解决规模与多说话人覆盖问题，二者搭配的原因是真实定时语音数据稀缺且难以同时获得边界与转写，组合意义是混合训练同时学到真实声学与可控的多事件排布。

模型训练分 3 个阶段。第 1 阶段在聚合的大规模文本音频数据上预训练扩散变换器 1,000,000 步，只用文本条件。第二阶段在定时标注数据上微调 500,000 步，训练时在纯文本条件与文本加定时条件之间随机切换，以保留通用生成能力。第 3 阶段在定时真实音频与大规模仿真数据的混合集上再训练 500,000 步，解冻文本编码器，在文本、文本加定时、文本加定时加音素三者之间随机切换。优化采用 AdamW，学习率为 5 乘 10 的负 5 次方，权重衰减为 1 乘 10 的负 3 次方，并使用指数滑动平均与两段学习率调度。全部阶段在 8 张英伟达 A800 上以总批量 128 连续训练，每阶段从上一个阶段 checkpoint 初始化。

推理采用两段渐进引导采样。设总步数为 100 步，阈值为 88。前段用不含音素的简化提示与低引导强度建立时间结构，后段切换为包含音素的完整提示与高引导强度渲染可懂语音。论文通过实验确定的配置为低引导强度 3、高引导强度 9。阈值越小则低引导阶段越长，有利于音频质量，阈值越大则留给音素细化的步数越少，会损害可懂度。

在哪些数据上测什么，指标方向如何？

实验按问题组织。定时可控生成在 AudioCondition 公开测试集上评估，该集具有细粒度时间标注。通用文本到音频性能在 AudioCaps 测试集上用标准自然语言描述评估。可懂语音生成在 AC-Filtered 上评估，对缺乏原生定时支持的基线，先用大语言模型从描述预测一个合理时间窗以保证可比。消融另用 LibriTTS-R 与 LibriSpeech 的干净测试集比较词、子词与音素 3 种词表粒度。

指标分 3 类。时间控制用声音事件检测系统计算基于事件的度量与片段级宏平均分数，越高越好。音频质量用弗雷歇音频距离、库尔贝克散度、弗雷歇距离与初始分数，其中距离与散度越低越好，初始分数越高越好。语义对齐用音频文本对比分数，越高越好。语音可懂度客观上用词错率，越低越好，主观上由 20 名评价者在 5 分制下打分，包括时间对齐、整体质量、语音可懂度与文本相关性，越高越好。效率用单卡实时因子衡量，越低越快。

为理解仿真数据的分布假设，需要先看真实数据中每段单说话人片段的语句数分布。下表来自 AudioSet-SL 的统计，单语句片段占比最高，随语句数增加呈长尾下降，这是仿真时采样语句数与上限为 8 的依据。

该表说明仿真不是均匀随机拼凑。单语句场景占约 30% 以上，多语句场景按表中比例递减，仿真据此决定独白中抽取多少句话。对话场景则从 2 到 4 个不同说话人中抽取，并限制单个说话人至多贡献 4 句。这种按先验采样的做法使仿真场景的时间排布更接近真实，但也意味着若先验估计偏离目标应用，仿真收益可能打折。复现时应先复算该分布，再检查混合信噪比与背景来源是否与原文一致。

主结果在时间精度与语音清晰度上付出什么代价？

主结果分 3 组问题。第一组测定时控制下的时间对齐、音频质量与效率，对比文本到音频模型、显式时间条件模型与免训练基线，条件包括时间对齐、音频质量与单卡实时因子。第二组测可懂语音生成，对比面向语音的基线，重点看词错率、音频质量与语义对齐。第 3 组测引入细粒度控制后通用文本到音频能力是否退化，在 AudioCaps 上用标准描述评估。

下表为 AudioCaps 上的通用生成结果，包含多个文本到音频与可控基线，可用于判断控制能力是否以通用质量为代价。

表后需要同时读收益与代价。ControlAudio 在该表上报告的数值为距离 1 点 56、散度 1 点 31、弗雷歇距离 14 点 20、初始分数 14 点 49、对比分数 0 点 535，与自训的稳定音频版本相当或更优，支持引入结构化提示与词表扩展后通用生成未明显退化的判断。但这只是通用描述下的结论，不能推广到复杂共现场景。论文在局限中也承认高度优化某一模态可能轻微影响另一模态的保真度，因此在雨声加对话这类密集场景中仍需分别听检背景与语音。未胜出的例子也应记录，例如语音专用基线在某些纯语音指标上仍有竞争力，说明统一模型的优势主要体现在需要同时控制时间与内容的复合场景。

定时与可懂两组主结果在正文中报告为在时间指标与词错率上优于所列基线，且主观时间对齐与可懂度也有提升，同时未引入额外推理开销。由于本次可用的结构化表格证据未完整覆盖这两组全部基线行，此处不硬写无法逐格核对的数字，复现者应回到原文主表核对事件级与片段级分数、词错率与主观均值，并注意免训练基线使用了不同的事件检测模型，不宜直接作同条件胜负断言。

结构化提示、音素粒度与采样参数各自证明什么？

消融按 3 个可操作问题组织。第一个问题是提示格式是否重要。对照在仅训练到第二阶段的受控条件下比较自然语言描述与结构化提示，公平条件是两者都只学定时控制，指标同时看时间对齐与音频质量。下表为该对照结果。

该表显示结构化提示在事件级与片段级时间指标以及音频距离、散度与对比分数上均优于自然语言版本，支持结构化格式提供更清晰的事件到时间映射的解释。在复杂场景下冗长自然语言会损害定时精度，这是选择结构化模板的已验证依据。代价是需要额外的规划步骤把自由描述转成模板，规划错误会向下游传递。

第二个问题是语音应使用何种词表粒度。论文在朗读测试集上比较词级、子词级与音素级 3 种扩展，并报告词错率与语音自然度。报告显示音素级 consistently 取得最低词错率与最高自然度，支持音素提供更直接的发音信号的判断。该结论的适用条件是语音时长已由时间窗约束，若没有可靠时间窗，音素优势可能减弱。

第 3 个问题是采样参数如何权衡。下图与下表共同回答低引导强度、高引导强度与切换时刻的影响。

看图路径： 1. 先看左图横轴为低引导强度时蓝色音频距离曲线与绿色词错率曲线的走向是否相反；2. 再看右图横轴为高引导强度时两条曲线的相对平坦程度与左图的差异；3. 结合图例确认蓝色为音频质量、橙色为多样性相关分数、绿色为可懂度指标

论文图 4。原论文 Figure 4：“Analysis of Progressive Sampling parameters (wlow, whigh). This study reveals a clear trade-off be- tween audio quality and speech intelligibility.”。

该图左右两面板分别扫描低引导强度与高引导强度。可见低初始强度有利于整体音频质量，高后续强度有利于语音可懂度，二者存在清晰权衡。论文据此选择低为 3、高为 9。复现时不应只看末步数值，应确认纵轴是原始指标而非相对改变量，并区分距离越低越好与词错率越低越好的方向，避免把曲线向下一律读成变差。

该表进一步扫描切换时刻。较小的切换时刻意味着低引导阶段更长，音频距离更优但词错率变差，较大的切换时刻则相反。在 88 附近性能相对稳定，论文据此在总步数 100 时固定切换时刻为 88。限制是该稳定区间是在特定数据与模型规模下测得，更换主干或步数后需重新扫描，不能直接沿用。

哪些边界尚未被测量或尚未被解决？

论文明确报告了 3 类局限。第一，语音控制主要限于内容，缺乏对情感、韵律或说话人身份等风格属性的显式操纵机制。若应用需要固定音色或特定情绪，当前框架未提供对应控制信号，不应把可懂等同于可控风格。

第二，高质量通用音频与可懂语音之间仍存在张力。虽然统一训练同时提升了时间精度与清晰度，但在复杂共现场景中过度优化一侧可能轻微影响另一侧的保真度。总体趋势成立不等于每组场景都成立，复现时应分场景报告背景质量与语音质量，而不是只看平均分。

第三，性能受限于大规模富标注音频语音数据的稀缺。当前依赖标注真实数据与仿真数据的组合，仿真分布来自特定统计，若目标场景的说话人数量、语句密度或信噪比显著不同，泛化需要重新验证。论文未测量误判率、延迟分解或滥用检测成本，因此不能承诺这些量得到改善。结尾也提示了伪造内容与声音冒充的误用风险，强调需要检测方法与治理，但这部分属于社会影响说明而非已验证的技术结论。

复现应先做什么，需要保留哪些超参数？

复现建议按学习依赖排序。先复现表示层。实现结构化模板的解析与生成函数，确保每个事件可带多个时间区间，语音事件在时间之后拼接音素序列并保留原始文本。扩展编码器词表时记录新增符号数量与初始化方式，前 2 阶段保持编码器冻结，第 3 阶段再解冻联合优化。任何冻结与解冻时机的改动都会改变条件端与生成端的协同适应，应在日志中明确标注。

再复现数据管线。标注路需记录分离工具版本、切分所用的原始时间戳来源、转写模型的提示词与空转写过滤规则。仿真路需先复算说话人比例与语句数分布，再按比例抽取独白与对话，控制单说话人上限与对话说话人数，最后按均匀信噪比混合背景。建议先用小规模仿真验证时间排布与混合流程，再放大到十万量级。

训练与采样超参数应完整保留。总步数为预训练 1,000,000 步加 2 阶段各 500,000 步，总批量 128，优化器与学习率调度按原文设置，压缩模型的下采样倍数与隐维度保持一致。采样固定总步数 100、切换时刻 88、低引导强度 3、高引导强度 9，复现时先在该点验证，再小范围扫描。评估需固定事件检测模型、转写模型与对比模型版本，主观评价需固定提问语与 5 分制定义，避免把自动指标当作人评。论文给出演示页地址，但本次证据未验证其可达性，复现应以本地可运行的训练与推理脚本为准，区分代码开源、权重下载与系统可运行三者。

何时值得尝试这种渐进拆解，何时不必？

综合全文，值得尝试的条件很具体。当任务同时要求文本语义、精确时间窗与可懂多说话人语音，且已有部分定时标注与可转写的语音来源时，渐进拆解是有源依据的选择。结构化提示解决自然语言的时间歧义，音素级扩展解决发音一致性，3 阶段训练解决数据不均衡下的稳定学习，两段采样解决结构与内容的解耦。这些环节分别有对照支持，不是为修辞叠加。

不必照搬的情形也应明确。若任务只有纯文本到音频而无定时需求，直接使用预训练第 1 阶段模型更经济。若只有单人朗读而无背景与定时，专用语音模型可能更简单。若目标场景的事件密度、说话人数量或信噪比与仿真先验差异很大，应先补数据验证再谈收益。还需补的验证包括风格属性控制、密集共现下的分项质量、不同主干与步数下的切换时刻敏感性，以及滥用检测与延迟分解。

记住核心判断。渐进的本质是让条件粒度与扩散过程的粗到细顺序对齐，任何打乱该顺序的改动都应重新用时间精度、词错率与通用质量 3 组指标联合评估，而不能只看其中一项。

⚖️ 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