超越全局情感：基于动态词级调制的细粒度情感语音合成
计算与语言
2025-09-26 v1 人工智能
摘要
情感文本语音（E-TTS）是创建自然且可信赖的人机交互的核心。现有系统通常依赖预定义标签、参考音频或自然语言提示实现句子级控制。虽然对全局情感表达有效，但这些方法无法捕捉句子内部的动态情感变化。为解决此限制，我们提出 Emo-FiLM，一种面向 LLM-based TTS 的细粒度情感建模框架。Emo-FiLM 将 emotion2vec 从帧级对齐到词级，以获得词级情感标注，并通过特征线性调制（FiLM）层实现映射，使其能够通过直接调制文本嵌入实现词级情感控制。为支持评估，我们构建了细粒度情感动态数据集（FEDD），包含情感转变的详细标注。实验表明，Emo-FiLM 在全局与细粒度任务上均优于现有方法，展示了其有效性与通用性。
引用
@article{arxiv.2509.20378,
title = {Beyond Global Emotion: Fine-Grained Emotional Speech Synthesis with Dynamic Word-Level Modulation},
author = {Sirui Wang and Andong Chen and Tiejun Zhao},
journal= {arXiv preprint arXiv:2509.20378},
year = {2025}
}