高品质影视级TTS

课题背景： 传统 TTS 聚焦音质与清晰度，对情感维度（愉悦、悲伤、紧张、戏剧化等）的表达能力有限，往往无法精准传递文本蕴含的情绪或角色设定；而商用情感 TTS 仍存在数据昂贵、风格覆盖窄、推理耗时高与可控性弱等痛点。因此，本课题聚焦系统性攻克“高表现力+细粒度可控+跨风格泛化+低推理耗时”的高质量情感TTS全链路技术，打造下一代语音交互与内容生产工具。 课题挑战：

1. 01

   情感主观性与标注噪声：情绪标签主观性强，情感类别与强度边界模糊，如何解决监督信号不稳定的问题；

2. 02

   文本语义-情感-韵律的耦合建模：情绪并非独立变量，受语义、上下文、角色设定、场景目标影响；韵律特征（F0、时长、能量、停顿）作为情感表达的主要载体，与情感意图之间呈高度非线性的一对多映射；

3. 03

   可控性与自然度的矛盾：强控制可能引入生硬、机械或韵律崩坏，需要兼顾可控强度、连续可调与生成稳定性；

4. 04

   音色与情感解耦：情绪变化易牵连声学特征导致音色漂移（speaker leakage），需要在赋予语音极致情感表现力的同时严格保持声纹稳定性；

5. 05

   长文本/多轮对话的一致性：如何在长文本或多轮对话中保持跨句情感走向、语气一致性及角色人设的稳定，并处理引用、反问、讽刺等复杂语用现象。 具体工作： 参与情感TTS数据处理与建模实验，包括但不限于研究情感/韵律表征与可控生成，优化音色-情感解耦与长文本一致性，并完成客观指标+主观MOS/偏好评测与游戏场景验证。

1. 01

   包含但不限于计算机科学、人工智能、模式识别、电子信息、通信工程、声学、自动化等相关专业的博士或优秀硕士；

2. 02

   熟悉语音合成（TTS）或语音信号处理相关算法，了解Transformer、扩散模型、Flow Matching、语音编解码等技术；熟练使用PyTorch等深度学习框架，掌握Python编程语言；

3. 03

   对语音合成和情感表达方向有浓厚研究兴趣，具备较强的文献阅读与问题分析能力，沟通协作意识好，自驱力强，能积极主动推动研究进展。