# 可控文本转语音

Audible技术团队把可控文本转语音用于有声书：先用大语言模型为书中每个角色建立固定声线档案，并为每句对白写出“紧张低语”这类自然语言表演说明，再由语音模型按说明合成。角色识别在25本英西语悬疑、科幻、言情小说上分别达到97%和94%的准确率；在MUSHRA听感测试中，对话区分度提高3.7分，十种声线中有八种在英西语测试里获得统计显著的听感提升。

Audible技术团队把可控文本转语音用于有声书：先用大语言模型为书中每个角色建立固定声线档案，并为每句对白写出“紧张低语”这类自然语言表演说明，再由语音模型按说明合成。角色识别在25本英西语悬疑、科幻、言情小说上分别达到97%和94%的准确率；在MUSHRA听感测试中，对话区分度提高3.7分，十种声线中有八种在英西语测试里获得统计显著的听感提升。

该工作先验证语音-文本对齐只能弱预测下游声学相似度，随后提出语音奖励风格规划（SRSP）：以冻结TTS模型对目标语音token的教师强制似然为奖励，用GRPO训练文本风格规划器；在ISCSLP 2026 CoT-TTS语料英文子集上，SRSP在五项下游声学指标上优于Base LLM与可访问目标音频的标注基线，并在LLM评判中获得更高的上下文恰当性与参考一致性。

该工作先验证语音-文本对齐只能弱预测下游声学相似度，随后提出语音奖励风格规划（SRSP）：以冻结TTS模型对目标语音token的教师强制似然为奖励，用GRPO训练文本风格规划器；在ISCSLP 2026 CoT-TTS语料英文子集上，SRSP在五项下游声学指标上优于Base LLM与可访问目标音频的标注基线，并在LLM评判中获得更高的上下文恰当性与参考一致性。