研究：TTS说话人可解码不等于可控

Yuanzhong Zheng等作者发表论文称，在连续潜变量TTS模型VoxCPM2上，说话人身份虽可被高精度解码，却无法通过编辑潜变量实现定向控制。 实验覆盖30位说话人、60组有向说话人对：最终残差声学语言模型层（RALM L7）的参考音频状态探针准确率达0.970，但对齐编辑后60组中0组实现目标说话人主导。作者据此提出，高线性可解码性不等于因果可控性，说话人控制呈现局部与各向异性特征。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。