用自然语言请求加长篇富标题来统一语音合成：Bagpiper-TTS 的规划-标题-生成链路

英文题目：Bagpiper-TTS: Natural Language Guided Universal Speech Synthesis

会议身份：conference:interspeech:2026:conference-paper-id:tian26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#指令微调 #统一音频模型 #语音 #语音合成

评分：7.0/10 | 创新 1.5/2 | 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 1.2/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5

排名：前50% | 文档类型：系统技术报告

👥 作者与机构

• Jinchuan Tian：机构信息未能从会议 PDF 纯文本可靠映射
• Haoran Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Siddhant Arora：机构信息未能从会议 PDF 纯文本可靠映射
• Takashi Maekaku：机构信息未能从会议 PDF 纯文本可靠映射
• Keita Goto：机构信息未能从会议 PDF 纯文本可靠映射
• Jin Sakuma：机构信息未能从会议 PDF 纯文本可靠映射
• Yusuke Shinohara：机构信息未能从会议 PDF 纯文本可靠映射
• Chao-Han Huck Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Shinji Watanabe：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

Bagpiper-TTS要处理自由形式自然语言请求的通用语音合成，输入为任意措辞的用户指令，输出为满足转写与副语言属性的目标语音，难点在于请求欠指定、措辞多变且跨越多类合成任务并含模糊声学描述。该系统先做文本规划Text Planning解析意图与事件结构，再合成数百词元的丰富字幕Rich Caption作为声学蓝图，最后由字幕到语音模块直接生成离散音频序列。该链条在单一统一模型内端到端执行，规划输出进入字幕生成，字幕则继承预训练对齐以驱动合成并保持推理连贯。与槽位填充式传统系统相比，其机制差异在于用可扩展文本中转替代固定元数据接口，从而容纳模糊角色描述与非标准声学要求。在Seed-TTS-Eval英文基准经典任务下，Bagpiper-TTS的WER为1.7%，低于CosyVoice 2的WER 2.6%。该结论限于英文为主的受控评测与自造请求，外推到多语言、长时对话与强音乐伴奏场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 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，目标是什么，为什么值得做通用请求接口？

这篇论文的输入是一个自由形式的自然语言用户请求，例子是请用愉快声音倒序数五四三二一。目标是输出一段满足该请求的语音波形，内容应为顺序正确的一二三四五，同时音色愉快、录音干净。必须保留的信息包括 3 段式工作流的名称与顺序、富标题是包含转写与副语言元数据的长文本蓝图、基座是 Bagpiper-Base、微调数据是仿真三元组、经典集上词错误率为 1.7%。

输出是 1 篇可复述方法的中文解读，不评价代码是否公开，因为本次未发现完成超文本传输安全协议状态验证的资源绑定，不得声称代码模型数据已公开。传统语音合成的输入是转写文本加固定槽位，例如说话人编号、情感标签、语速。这种设计在朗读有明确文本的场景很高效，但遇到用户不按槽位说话时就会错位。用户可能把顺序说反、只说意图不说原话、要求 2 人对话、要求扮演五十多岁的严厉数学老师、要求在教堂感中唱歌并带伴奏、要求演讲后有掌声。

刚性系统需要为每种任务加模块，流程越堆越复杂。论文因此把自然语言本身当作统一接口，让用户用日常措辞组合指令，模型负责把意图翻译成可执行的声学蓝图。初学者可以这样理解学习依赖：先明白任务从槽位填充变为自由请求理解，再看模型如何用中间文本表示隔离语义推理与声学渲染，最后看仿真数据与评测如何证明该隔离在多任务上成立。后续各节按此依赖展开，不引入原文之外的数值效果。

同输入同目标的相关路线有哪些差异？

在同输入同目标上，经典神经语音合成研究转写到波形的映射，早期用专用说话人编码器等分离模块处理副语言信息，近年大语言模型、扩散模型及其混合提升了保真度与自然度，但多数仍要求结构化预定义元数据槽位填充。论文把这类路线归为刚性输入范式，指出它们与真实应用中流动、不可预测、多变的用户请求存在根本错位。

在同监督层面，富有描述性的标题到音频合成已有探索，论文引用的富标题工作强调标题可以扩展到数百词元来编码环境与说话细节。Bagpiper-TTS 的差异是把富标题从预训练对齐手段进一步用作推理时的显式中间产物，并用规划过程连接请求与标题。在同运行阶段上，多人播客生成与沉浸式角色扮演已有专用模型，例如基线中的 VibeVoice 面向富有表现力的播客生成，YuE 面向长音乐生成。

论文的对照不是用类别差异当同条件胜负，而是承认自身是通用模型，对方是专用模型，在各自可运行配置下比较可懂度与任务满足度。教学例子是：若只比较音质，专用模型可能在窄任务占优；若比较用一句话同时指定 2 人身份、轮次与台词的灵活性，统一自然语言接口的价值才会显现。

要解决的具体问题与约束是什么？

具体问题是：给定任意语言风格与结构的自然语言请求，生成一段在内容、说话人、韵律、环境与非语音事件上都满足请求的语音。约束有三点。第一，请求可能是欠定的，例如意图到语音任务故意在请求中去掉转写，只说帮我用愉快男声祝鲍勃新年快乐，模型必须自己写出合适的祝贺语。第二，声学特征可能是间接的，例如角色扮演只给严厉数学老师五十多岁讲台讲公式的人设，不直接给基频或音色标签，模型要从人设推出深沉权威的表达。

第三，输出可能超出纯语音，例如歌声需要旋律与背景伴奏，通用请求需要演讲后接观众掌声。论文把这些都纳入同一框架，不设系统提示词区分应用，模型只能根据请求文本自行理解与反应。这意味着训练与评测必须覆盖经典朗读、多人对话、意图到语音、角色扮演、歌声合成与通用 6 类，且测试请求必须与微调仿真管线严格隔离，否则无法证明泛化。

初学者常误以为通用等于在所有指标压过专用模型，原文的限定是通用模型在可懂度上保持稳健基线，在任务满足度上达到良好水平，同时保持单一模型与统一接口。

规划加标题加生成三段式如何走完一个样本？

论文的方法全景是一个在单一统一模型内端到端执行的分层工作流，分为文本规划、富标题合成、语音生成 3 个阶段。沿图 1 样本走一遍最直观。用户请求是能否用愉快声音倒序数五四三二一。文本规划先做意图理解，指出要把五四三二一倒序发音，实际转写应为一二三四五；再做语音规划，确认语气愉快、未指定语速则默认中等。

再做其他刻画，默认录音质量应为高。基于规划输出，模型生成全面富标题，例子中写明开头完全安静、无环境噪声、受控录音室环境、单个愉快女声高音明亮、近距离清晰、通用美式口音、上扬语调，并锁定句子为一二三四五。最后富标题直接指导语音合成，利用基座预训练阶段建立的标题到语音对齐生成高保真波形，内容为一二三四五。原文强调富标题对 30 秒语音可扩展到数百词元，因此理论上能容纳任意用户输入的细节。

导读本节配图时，请先把握请求变长、规划补推理、标题补声学、波形落实内容的递增关系，再看像素细节。

看图路径： 1. 先从顶部黄色用户请求框读到绿色规划框，注意倒序指令如何被显式改写；2. 再看蓝色富标题框中录音环境、音色与转写是如何被补全为长文本的；3. 最后对照底部波形框确认最终内容为顺序正确的数字串；4. 比较请求、规划、标题三段文本长度的递增关系

论文图 1。原论文 Figure 1：“1”。

图 1 用四块彩色面板展示了上述链路。顶部黄色为用户请求，绿色为 3 段式规划，蓝色为超长富标题，灰色为生成语音波形。可见的关键是规划中把倒序做了显式改写，标题中把愉快、女声、高音、录音室、美式口音等信息一次性展开，波形内容与标题转写一致。该图支持的判断是中间文本越往后越具体，语义消解发生在规划，声学落实发生在标题，语音生成只执行标题而不直接猜请求。

基座模型提供了什么计算能力？

基座是已有的 Bagpiper-Base，一个面向跨模态理解与合成的音频中心基础模型。白话说，它是懂文字又会听会说的底座。英文名为 Bagpiper-Base，计算骨干是 Qwen3-8B-Base 解码器 Transformer，提供较强的纯文本能力。音频侧用 50 赫兹多流 X-Codec 离散化，每帧产生 8 个离散码作为音频预测目标。预训练共 600,000,000,000 词元，覆盖标题到音频合成、音频到标题理解与纯文本建模， spans 语音、音乐与环境声，因此能支持通用音频生成。

原文的安排理由是：因为富标题包含全面语音元数据，大规模标题到语音预训练能强烈对齐自然语言与语音属性，同时保留骨干的文本推理能力，便于下游微调。需要指出的缺项是原文未给出该基座训练的学习率、优化器细节与冻结策略在本文的引用页之外，本文只说明在此基座上做有监督微调，不从模型名称推定具体梯度路径。初学者应区分预训练对齐与指令跟随：前者让模型听懂长描述并发出对应声音，后者让模型从短而乱的请求自己写出长描述。

自然语言请求 × 富标题： 自然语言请求负责承载用户任意措辞的意图、朗读内容与风格约束，富标题负责把这些松散描述展开为包含转写文本、说话人、韵律、录音环境与非语音事件的稠密文本蓝图，二者搭配的原因是直接从请求到声学码的映射过于欠定，加入富标题后模型可以先在文本域对齐语义再利用预训练好的标题到语音对齐做高保真合成。

理解该组合后，才能明白为何后续仿真要从高质量标题语音对出发反向构造请求，而不是直接采集用户请求配音，因为后者难以覆盖 6 类任务的声学多样性。

三类文本产物各自的分工与衔接机制是什么？

3 类文本产物是用户请求、规划过程与富标题。用户请求是人类写法，长度、风格、元数据顺序都可变。规划过程是模型在文本域的显式推理，按原文分为三部分：解读用户意图与给定元数据、组织说话人身份与节奏等语音属性、纳入环境声与录音条件等非语音元素。富标题是稠密生成蓝图，形式化副语言与声学实现。衔接机制是请求经规划再到标题最后到声码，语音生成阶段直接以富标题为指导，复用基座的标题到语音对齐。

教学例子是温和批评：模型不仅要把批评的话说出来，还要让声学传递柔和克制、措辞礼貌得体，规划中会出现面向儿童所以应温暖等自主论证。这显示系统用潜在判断消解模糊元数据，而非静态槽位填充。组合的代价是推理链变长，标题可达数百词元，对采样与分类器无关引导的稳定性提出要求。原文在推理时对文本与语音模态采用解耦的 Top-k 采样，并在语音生成时用引导尺度为 3 的分类器无关引导增强风格保真。

文本规划 × 富标题合成： 文本规划负责解读用户意图并勾勒转写布局、语音事件与风格约束的概念摘要，富标题合成负责把该摘要形式化为可直接指导声码的详细描述，二者搭配的原因是自由请求常有省略、倒序或意图缺失，规划先做显式推理可以减少标题 hallucination，组合意义是把难的语义消解与声学细节展开解耦。

意图到语音 × 角色扮演合成： 意图到语音负责在请求中没有给出逐字转写时从上下文推断应说的话，角色扮演合成负责从人物身份描写中间接推断音色、年龄与权威感等声学特征，二者搭配的原因是都要求模型做超出字面的潜在判断而非槽位填充，组合意义是验证同一条规划加标题链路能否处理缺失转写与间接声学线索两类欠定问题。

上述两组概念桥分别解释了规划与标题的解耦理由，以及意图缺失与间接人设两类欠定任务为何能共用同一链路。

仿真管线如何构造请求加规划加标题三元组？

微调数据的仿真管线是本文可复述的核心构造过程，共 6 步。步骤 A 是语音精选，针对每类应用收集合适语音片段，通常附带真值转写作为锚点，无转写时用 Qwen3-ASR 生成伪转写。步骤 B 是自动标题生成，用 Qwen-30B-A3B-Captioner 对语音生成全面富标题，原文承认标题可能在声学或语言属性上存在幻觉。

步骤 C 是基于词错误率的过滤，用文本大语言模型从富标题抽取转写并与真值计算词错误率，超过阈值则丢弃，多数应用要求 0% 即完全匹配以确保转写正确，歌声因旋律差异放宽到 10%，必要时让大语言模型按真值修正标题以提高保留率。步骤 D 是用户请求仿真，以富标题提示文本大语言模型反向生成多样请求，要求变化长度、语言风格与元数据顺序，并按应用定制。

步骤 E 是规划过程仿真，同样用文本大语言模型构建连接请求与标题的文本规划，覆盖意图解读、语音属性组织与非语音元素三部分。步骤 F 是文本一致性验证，用大语言模型作为评判者对三元组按 1 到 5 分打分，要求平均分高于 3.5 且单项不低于 3，提示词要求严格挑剔但容忍过于全面的富标题。可选地用 Gemini-3-Flash 做多模态验证，核对标题与真值语音的一致性。默认文本大语言模型为 Qwen3-235B-A22B-Instruct-FP8，通用子集的场景选择用了 Claude 4.6 Opus 生成 40 种场景。

导读流程图时注意底部音频与转写如何汇入标题，标题如何分叉到请求与规划，顶部验证如何回检三者。

看图路径： 1. 从底部音频精选框出发，沿箭头走自动标题与词错误率过滤两条支路；2. 观察富标题如何同时分叉到用户请求仿真与规划仿真；3. 确认顶部文本验证框汇聚了哪三类输入进行一致性打分

论文图 2。原论文 Figure 2：“Flowchart of fine-tuning data simulation pipeline requirements.”。

图 2 的像素显示底部有两个蓝色处理框分别为音频精选与自动标题，中间黄色为原始富标题与过滤后富标题，右侧蓝色为用户请求仿真，左侧蓝色为规划仿真，顶部蓝色为文本验证。箭头表明转写与原始标题共同进入过滤，过滤后标题同时指向请求仿真与规划仿真，请求、规划、标题三者再汇入验证。该结构支持的判断是数据流向是先有声学事实再有文本包装，请求是反向工程得到，而非先有请求再配音。 6 类应用的数据来源与特殊处理需要分别记住。

经典语音合成用 LibriTTS-R 的中性稳定语音与原神星铁的富有表现力自发语音，仿真时选择性抽取元数据以模拟用户详略不一。多人用 Gigaspeech 长录音与 SSSD 合并片段并用 VibeVoice-ASR 捕捉多人交叠，强调说话人区分与时间交错准确。意图到语音从基座预训练中挑选意图清晰的片段，规划阶段确保转写故意不出现在请求但在规划中正确推断。角色扮演精选富有表现力样本并基于标题反向生成人物描写，验证人物与声学实现逻辑一致。歌声用基座预训练中的歌唱样本并强制包含伴奏描述。

通用类从预训练随机选 200 万语音样本的子集做场景化仿真，不设系统提示词使模型应用不可知。最终共 738,000 条，分布见下图导读。

看图路径： 1. 先读图例确认六种颜色分别对应哪类应用；2. 比较经典语音合成 31.9% 与意图到语音 20.8% 两块扇区的相对大小；3. 核对每块扇区内百分比与千条数是否同时标注

论文图 4。原论文 Figure 4：“Fine-tuning data distribution for all applications”。

图 4 饼图显示经典语音合成占 31.9% 约 235,300 条，意图到语音占 20.8% 约 153,600 条，通用占 10% 8.4 约 135,600 条，歌声占 10% 3.8 约 101,900 条，多人占 8.8% 约 64,700 条，角色扮演占 6.4% 约 47,100 条。该分布说明经典与意图类是主体，角色与多人较少，复现时需注意长尾任务的采样权重。

Bagpiper-Base × 微调： Bagpiper-Base 负责提供在 600,000,000,000 词元上预训练得到的标题到语音、语音到标题与纯文本建模能力，微调负责用 738,000 条仿真的请求加规划加标题三元组解锁自由指令跟随，二者搭配的原因是预训练已对齐自然语言与语音属性，微调只需学习从松散请求经规划到稠密标题的映射而不必重学声学渲染。

微调执行条件为在基座上对全部仿真集做 2 轮有监督微调，全局批量 160,000 词元，恒定学习率 1 乘 10 的负 5 次方，推理细节见上文，微调耗时 16 小时用 8 块英伟达 H100。

评测分几层，每层测什么、与谁比、条件是否一致？

评测分 3 层。第一层经典基准用 Seed-TTS-Eval 英文集，提示系统用朴素声音生成，不测说话人相似度，因为系统不接受参考音频提示。指标为词错误率，方向越低越好。第二层 4 个高级应用各仿真 300 条独立测试请求，用 GPT-OSS-120B 生成并与微调管线严格隔离，指标包括词错误率、大语言模型作为评判者的任务完成度 1 到 5 分，以及亚马逊土耳其机器人平台的人评。每应用随机抽 10 条经完整管线含 Gemini 过滤的样本，至少 3 名标注者打分，3 分为可接受。

第 3 层通用灵活性不做定量指标，靠研究者手写定义外请求做定性观察，重点看非直接逻辑与多模态对齐。基线方面，经典层对比 CosyVoice 2、VibeVoice 与 Qwen3-TTS 等可运行模型，高级层多人对比 VibeVoice-1.5B，歌声对比 YuE，意图与角色类因无直接专用基线只报告自身人评与模型评判。需要强调公平条件：通用单模型以应用不可知方式应对所有任务，专用基线在窄任务可能占优，比较时不能把类别差异当同条件胜负。导读请求示例图有助于理解测试输入的多样性。

看图路径： 1. 逐行对比六类应用的用户请求写法，注意转写是否直接出现；2. 观察多人对话如何标注说话人身份与轮次顺序；3. 注意歌声与通用类如何加入教堂混响与掌声等非语音事件

论文图 3。原论文 Figure 3：“Example user requests for each TTS application.”。

图 3 像素为六行不同底色的请求文本。经典行为带引号的让我们看看加明亮年轻女声安静录音室好奇 playful。多人行为生成男女对话并指定男声冷静通用美式口音、女声明亮高音及 2 人台词。意图行为帮我用愉快男声祝鲍勃新年快乐而无逐字台词。角色行为五十多岁严厉数学老师讲台讲公式并给出黑板台词。

歌声行为女性唱我们在一起并要求梦幻宽敞大教堂感。通用行为男子演讲欢迎朋友后接掌声。该图支持的判断是请求的信息完备度逐类递减，对规划推理的要求逐类递增。

经典语音合成的可懂度达到了什么水平？

经典层要回答的问题是：在请求中动态交错元数据与转写的额外复杂度下，模型是否仍能生成高可懂语音。与谁比：与 CosyVoice 2、VibeVoice、Qwen3-TTS 等前沿可运行模型在同一 Seed-TTS-Eval 英文集上比词错误率。条件是否一致：均为文本到语音生成，但本方法接受自然语言提示而非纯转写加槽位，因此输入形态更复杂。指标方向为词错误率越低越好。下表整理原文报告的数字，表前已提出比较问题与公平条件，表后将解释收益与代价。

该表显示本方法为 1.7，CosyVoice 2 为 2.6，VibeVoice 为 3.0，Qwen3-TTS 为 1.5。原文的判断是尽管增加了自然语言提示的复杂度，模型仍生成高可懂语音并与当前最优模型竞争。支持该判断的限制是该数字只覆盖内容保真，未包含说话人相似度，因为系统不支持音频提示；同时未报告延迟与成本，不能承诺这些量得到改善。未胜出项是 Qwen3-TTS 仍更低，说明在纯可懂度上通用模型并未全面超越专用优化。

词错误率 × 任务完成度： 词错误率负责度量合成语音转写回文本后的可懂度与内容保真，任务完成度负责由 Gemini-3-Flash 或人类从风格、说话人、多人轮替与意图符合程度打 1 到 5 分，二者搭配的原因是可懂不等于听从指令，必须同时看客观转写与主观满足度，组合意义是避免只优化清晰度而忽略角色、情感与场景要求。

该概念桥提醒可懂度与任务满足度必须分开看，下一节的高级应用将补上后者。

高级应用是否同时保住可懂度与指令满足度？

高级层要回答的问题是：同一通用模型能否在多人、意图、角色、歌声 4 类上同时保持低词错误率与高任务满足度。与谁比：多人对比 VibeVoice-1.5B，歌声对比 YuE，意图与角色主要靠模型评判与人评的绝对水平判断。条件是否一致：测试请求均为 300 条独立仿真请求，人评样本均为完整管线随机抽取无挑选。指标方向为词错误率越低越好，任务完成度与平均意见分 1 到 5 分越高越好，3 分为可接受。下表整理原文第二张表的关键数字，同样遵循表前提问表后解释的闭环。

表后解释主要收益与具体代价。收益是本方法在 4 类上的模型评判均值 4.09，人评均值 3.69，均高于可接受线，显示自由请求得到有效满足；可懂度上多人 4.2 优于基线 4.6，歌声 7.2 优于基线 11.0，角色 2.0 保持低位。

代价与反例是多人人评 3.60 略低于基线 3.77，歌声人评 3.67 略低于基线 3.73，原文承认与专用模型存在轻微差距，并强调自身是通用而对方更专用。未评测边界是意图类无词错误率基线可比，通用层无定量指标，只能靠定性案例。定性案例报告显示模型能正确处理从一数到五与倒序读五四三二一的逻辑，能对温和批评同时调整声学与措辞，并给出面向儿童所以应温暖等规划论证，但这些未转化为可部署收益数字，应视为可能待验证的灵活性证据。

哪些幻觉与接口限制仍未解决？

原文明确报告两类限制。第一是幻觉在数据仿真与模型推理各阶段持续存在，特别是自动标题生成器产生的富标题可能在声学或语言属性上 hallucinate。尽管有词错误率过滤与文本一致性验证，过滤只能保证转写正确，不能保证音色、环境等描述完全忠实。第二是接口选择，本文聚焦文本自然语言作为统一接口，承认某些元数据用声学 grounding 更有效，例如用参考音频定义说话人音色，而本系统不接受参考说话人片段，因此不测说话人相似度。

这意味着需要高精度复刻特定音色的场景不在本文验证范围内。相关性不是因果：长标题与高满足度的共现不能证明标题越长效果越好，过度全面的标题可能引入冗余。缺失证据不是技术错误：原文未测量误判率、延迟、推理开销与输出帧率，不能从总体趋势推广到每组每步。初学者复述时应保留这些边界，不承诺未测量的量得到改善。

复现先做什么，还需补哪项验证？

复现应先做数据管线的最小闭环，而非直接训练大模型。第一步按步骤 A 到 C 跑通语音精选、自动标题与词错误率过滤，确认多数应用能达到 0% 匹配、歌声放宽到 10% 的保留率，并记录丢弃率。第二步用同一文本大语言模型跑步骤 D 到 F，检查请求多样性与规划 3 段式是否齐全，验证平均分高于 3.5 且单项不低于 3 的筛选是否过严或过松。

第三步在小规模子集上以全局批量 160,000 词元、恒定学习率 1 乘 10 的负 5 次方、2 轮、语音生成引导尺度 3、解耦 Top-k 采样的配置做冒烟训练，观察规划到标题到声码是否稳定。关键超参数与信息条件包括 50 赫兹 X-Codec 每帧 8 码、Qwen3-8B-Base 骨干、6000 亿预训练词元背景、73.8 万仿真总量及 6 类分布。关于可用性，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此只能写本次未能确认代码、数据与检查点可达，不写当前可用或已公开。

还需补的验证包括标题幻觉率的人工审计、长标题长度与满足度的消融、推理延迟与显存开销、以及与音频提示复刻音色方案的对比，因为原文未报告这些，无法判断通用接口在成本与精度上的真实代价。

何时值得尝试这种富标题中介路线？

当你的任务输入是人话而非槽位时值得尝试，例如需要同时处理 2 人对话、意图补全、人物人设到声音、歌声伴奏与掌声等非语音事件，且希望用单一模型而不是 5 个专用管线。复述方法是：请求先经 3 段式文本规划显式消解意图，再展开为数百词元富标题锁定转写、音色、韵律与环境，最后由标题直接指导声码生成；训练上复用标题到语音预训练的对齐，只用仿真三元组学习请求到标题的映射。

证据支持的是经典集上 1.7% 的词错误率与 4 类高级任务上模型评分均值 4.09、人评均值 3.69，均达良好水平；限制是多人与歌声人评略低于专用基线，幻觉与参考音频缺失仍在。教学提醒是不要把自动指标当成人评，不要把末步结果推广全程，不要从冻结参数推定输出确定。若只能记住一句话，就是用可读的长文本把难的语义推理与难的声学渲染隔开，让预训练负责后者，让仿真数据教会前者，而代价是更长的推理链与更严格的过滤。

⚖️ 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 interspeech-2026 论文汇总