DEFINE：解耦音色与口音的零样本TTS框架

发生了什么

据Hugging Face Papers报道，DEFINE是一个端到端零样本文本转语音（TTS）框架，通过分离的音频示例和解耦控制，独立管理说话人身份和口音。基于F5-TTS构建，无需重训练或口音标签即可实现泛化口音迁移。在可见口音上，增加引导权重可将口音探针准确率从6.5%提升至19.6%，并在域外口音上匹配双模型级联性能。