免训练口音类比引导：跨语言语音克隆在同等口音下更保真说话人相似度

Yoomee Cho · hf · 2026-10-07

• 跨语言零样本文 TTS 中参考音频口音会泄漏进目标语音。论文提出 Accent Analogy Guidance（AAG），一个免训练的采样器项：用模型自身对同一合成声音的双语渲染估计口音方向并 subtract，使声音相消、只留口音。
• 提出 ΔSIM 指标衡量在同等口音下高于身份-口音权衡曲线的说话人相似度。四个开源 TTS 模型上 AAG 均在曲线之上：OmniVoice 三组测试集 ΔSIM +0.11+0.27；MaskGCT、CosyVoice 2、F5-TTS 同样受益，且能预测出无效的模型（X-Voice）。
• 验证方式包括 LLM 盲评口音评委、免 LLM 的语言 ID 度量与 12 人听测，三方结论一致。

原文链接 →

「多模态」频道最新

• 让 Opus 拍「人生的意义」短片,作者称美得不像 AI — char-gen · 2026-10-07
• Reddit 分享 Stable Diffusion 角色离屏一致性技巧 — robertwellesley · 2026-10-07
• 用 MiniMax H3 复刻火影经典 OP,同人 MV 质量惊艳 — Automatic_Lynx_7777 · 2026-10-07
• LTX Director 多角色控制难题：动作与语音分离、角色串扰待解 — salazar_slick · 2026-10-07
• VEDA Sparse Attention 上线：MiniMax H3 视频模型接入 ComfyUI — robomar_ai_art · 2026-10-07
• VEDA 稀疏注意力登陆 ComfyUI,MiniMax H3 生视频提速近一倍 — robomar_ai_art · 2026-10-07

更多「多模态」频道 AI 资讯 →