高可解码性不代表可因果控制说话人音色
资讯摘要
论文指出，在连续潜空间TTS中，高线性可解码性并不等于因果可控性。作者在VoxCPM2上用位置匹配探针和等范数干预测试30个说话人、60个有向说话人对：最终残差声学语言模型层RALM L7的探针准确率达0.970，但对齐编辑后目标主导的说话人对为0/60；而在早期参考音频位置L0做配对对齐更新，目标相似度提升0.326，60个说话人对全部实现目标主导。独立说话人编码器、留出说话人原型检索与双盲听测均确认听者听到的是目标音色。
要点速读
- VoxCPM2中RALM L7探针准确率0.970，但对齐编辑后目标主导说话人对为0/60
- L0位置配对对齐更新使目标相似度提升0.326，60/60说话人对实现目标主导
- dots.tts跨架构干预显示：骨干编辑只偏移源音色而无目标吸引，x-vector消融使源相似度从0.849降至0.006
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。