迈向可控语音合成：大语言模型时代的综述

文章预览

摘要 语音合成（TTS），也称为文本转语音，是一项重要的研究领域，旨在从文本生成自然的语音。近年来，随着工业需求的增加，TTS技术已从简单的人类语音合成发展到可控语音生成。这包括对合成语音中各种属性（如情感、韵律、音色和时长）的细粒度控制。此外，深度学习领域的进展，尤其是扩散模型和大语言模型，极大地提升了可控TTS的效果。本文全面综述了可控TTS的研究进展，涵盖了从基本控制技术到利用自然语言提示的方法，旨在为当前的研究状态提供清晰的理解。我们探讨了通用的可控TTS流程、面临的挑战、模型架构和控制策略，并提供了现有方法的全面分类。此外，我们还详细总结了数据集和评估指标，并探讨了可控TTS的应用和未来发展方向。据我们所知，本文是首次对新兴的可控TTS方法进行全面综述，既可以为学术研究人员提供 ………………………………