EmoRES-TTS：通过残差增强向量引导生成情感语音
情绪条件语音合成模型有时无法稳定表达指定情绪。EmoRES 是一种无需训练的方法，可调整冻结模型的内部表示，而不必重新训练基础模型。该方法将情绪向量分解为使语音偏离中性表达的共享成分，以及引导生成指定情绪的残差成分，并分别进行控制。在 IEMOCAP 上，使用 IndexTTS-2 和 CosyVoice2 时，EmoRES 在四项客观情绪指标上均优于 CoCoEmo。人工评估也显示情绪识别和忠实度有所提升；在自然度的成对比较中，最多有 63.8% 的听众偏好 EmoRES。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。