# 情感文本转语音

2 篇关联报道

订阅更新

researchsquare.com 2026年11月3日
情绪语音合成不再把说话人风格混进情绪：HiP-ETTS把提示拆成共享与互补两路，音频提示下词错率降到2.98%
多模态情绪提示驱动的语音合成此前把跨说话人的情绪共性与个人表达混在同一个情绪条件里，容易在增强情绪时损伤语言内容。HiP-ETTS把提示中的情绪信息拆成情绪共享因子与互补情绪因子，再用分层情绪先验锚定语言结构、由自适应投影与流匹配细化情绪细节。在音频、文本、面部图像三类提示下，它的词错率均低于或接近此前方法，情绪一致性指标VAD-CCC与Emo-SIM在各类提示中最高，音频提示下分别为0.760和0.768。
多模态情绪提示驱动的语音合成此前把跨说话人的情绪共性与个人表达混在同一个情绪条件里，容易在增强情绪时损伤语言内容。HiP-ETTS把提示中的情绪信息拆成情绪共享因子与互补情绪因子，再用分层情绪先验锚定语言结构、由自适应投影与流匹配细化情绪细节。在音频、文本、面部图像三类提示下，它的词错率均低于或接近此前方法，情绪一致性指标VAD-CCC与Emo-SIM在各类提示中最高，音频提示下分别为0.760和0.768。
University of Auckland
Ziyu Zheng（第一作者）
HiP-ETTS框架情感文本转语音流匹配
arXiv 2026年9月30日
EmoRES 把情绪向量拆成共享与残差两部分，在 IndexTTS-2 与 CosyVoice2 上把情绪命中率最高提升 12.95 个百分点
该工作提出免训练的 EmoRES 方法，发现情绪引导向量可分解为把语音推离中性表达的共享分量与指向目标情绪的残差分量，并分别独立控制二者；在 IEMOCAP 上，EmoRES 在 IndexTTS-2 与 CosyVoice2 两个冻结骨干上于全部四项客观情绪指标上优于 CoCoEmo，排序相关性分别提升 26.13 与 12.97 个百分点，情绪命中率分别提升 12.95 与 6.92 个百分点，人类评测中听者正确识别主导目标情绪的比例相对提升最高 35.0%，自然度成对偏好最高达 63.8%。
该工作提出免训练的 EmoRES 方法，发现情绪引导向量可分解为把语音推离中性表达的共享分量与指向目标情绪的残差分量，并分别独立控制二者；在 IEMOCAP 上，EmoRES 在 IndexTTS-2 与 CosyVoice2 两个冻结骨干上于全部四项客观情绪指标上优于 CoCoEmo，排序相关性分别提升 26.13 与 12.97 个百分点，情绪命中率分别提升 12.95 与 6.92 个百分点，人类评测中听者正确识别主导目标情绪的比例相对提升最高 35.0%，自然度成对偏好最高达 63.8%。
National Taiwan University
Kuan-Po Huang（第一作者）
EmoRES（情绪残差增强引导）激活引导情感文本转语音

已读完全部报道

情绪语音合成不再把说话人风格混进情绪：HiP-ETTS把提示拆成共享与互补两路，音频提示下词错率降到2.98%

EmoRES 把情绪向量拆成共享与残差两部分，在 IndexTTS-2 与 CosyVoice2 上把情绪命中率最高提升 12.95 个百分点