dots.tts.edit：连续自回归语音编辑模型

dots.tts.edit 用转写锚定指令实现四类可控语音编辑并发布 doteBench 基准。

资讯摘要

论文提出 dots.tts.edit，一种基于连续自回归语音生成架构的语音编辑模型。它采用半形式化的转写文本锚定编辑指令，指定操作类别与参数并绑定到转写片段或边界，避免显式时间戳对齐。作者覆盖文本、情感、韵律与停顿四类编辑控制，并构建双语基准 doteBench 评测指令遵循、局部保持与音频质量；实验报告在五类编辑上整体指令遵循与局部保持领先，音质与现有开源系统相当。

要点速读

1. 采用半形式化转写文本锚定编辑指令，将操作类别和参数绑定到转写片段或边界，无需显式时间戳对齐。
2. 覆盖文本、情感、韵律（音高与语速）和停顿四类编辑控制，并构建双语基准 doteBench 评测指令遵循、局部保持与音频质量。
3. 作者报告在五类编辑类别上整体指令遵循与局部保持领先，音质与现有开源系统相当；在三个 Seed-TTS-Eval 分片上零样本 TTS 识别错误率与说话人相似度与基座模型差异可忽略。

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 2026/10/31 08:00:18（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。