想象你是一位有声剧导演。助理递来一行台词：“你走吧。”只有六个字，但你知道整场戏的成败全看你怎么“调教”这一句。让饰演者厉声呵斥，观众感到决裂的痛；让他哽咽低语，观众跟着落泪；让他平静得像念公文，观众瞬间出戏。 剧本是死的，人是活的。导演手里攥着“演技三要素”：情感（愤怒/伤心/平静）、语速（急促/舒缓）、音高（高亢/低沉）。现代语音合成（TTS）的风格控制，要做的就是把这位导演的功力装进一套算法：你输入文本，再指定“带点怒气、语速偏快、音调略高”，系统就自动生成一段符合要求的语音。像 Bark、VALL-E 这类新模型更聪明——你给它一句带情绪的参考录音，它就能把这种腔调“借”过来安在新文本上，好比让新人演员模仿影帝的一段情绪示范。这篇文章，我们就来拆解这位“AI 导演”如何读剧本、定情绪、控节奏、调音高，也聊聊它如何走进有声书和虚拟助手的生产一线。

岗位关联

对话式语音产品正在爆发，掌握 TTS 风格控制是音频 AI 工程师的核心竞争力。它直接决定产品“听起来像不像人、有没有灵魂”，是衡量语音体验的关键分水岭。

目录
  1. 可视化演示
  2. 基础概念：导演的剧本与演员
  3. 情感合成：给声带加戏
  4. 语速控制：快慢的数学
  5. 音高调控：起伏见情绪
  6. 模型与工具：两位名角
  7. 评估与应用：彩排与舞台
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示TTS风格控制的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

TTS风格控制：TTS风 TTS风格控制概述与可控维度 情感合成与情绪建模方法 核心机制可视化 TTS风格控制整体架构与关键组件

基础概念：导演的剧本与演员

拿到剧本，有声剧导演第一件事是认识自己的班子。眼前这份“你走吧”的台词，在 TTS 系统里就是输入文本。班子里的“语言委员”（文本前端）先把句子切分成音素、词和标点；真正的“戏骨”（声学模型）负责把文字演成声音；最后还有一位“音响师”（神经声码器）把中间特征还原成能直接播放的波形。而导演真正要拧的三个“演技旋钮”，就是情感、语速、音高。

在深度学习 TTS 中，风格控制不是一个独立模块，而是作为一种“附加指令”注入生成过程。模型按序列逐个产出语音特征，每一步都参考之前已生成的内容，再加上文本与风格条件。整套逻辑可以用链式概率表示：

理解了这个条件生成框架，后面的情感、语速、音高，本质上都是在设计不同的 $s$。“剧本能背，戏路要对”——导演的三大旋钮，马上逐一展开。

P(y∣x,s)=∏i=1TP(yi∣y<i, x, s)\displaystyle P(y \mid x, s) = \prod_{i=1}^{T} P(y_i \mid y_{<i},\, x,\, s)
这个公式的意思是：整段语音“成立”的概率，等于每一步都走对的概率连乘起来。风格 s 就像导演站位旁边的那句叮嘱，每一步都被它约束。
  1. 生成单元$y_i$——第 $i$ 步生成的语音特征，比如一小段音频令牌或声学帧，是整个“表演”的最小单位。
    yiy_i
  2. 历史依赖$y_{<i}$——已经生成的前 $i-1$ 个单元。语音是一句话接一句话“接龙”出来的，不能跳着写。
    y<i=y1,y2,…,yi−1y_{<i} = y_1, y_2, \dots, y_{i-1}
  3. 输入文本$x$——剧本本身，由分词器编码成的 token 序列，提供“说什么”。
    x=token1,token2,…,tokenmx = \mathrm{token}_1, \mathrm{token}_2, \dots, \mathrm{token}_m
  4. 风格条件$s$——导演的演技指令，以向量形式与文本一起送入模型，提供“怎么说”。
    s∈Rdss \in \mathbb{R}^{d_s}
  5. 连乘概率$\displaystyle \prod_{i=1}^{T}$——每一步都由前一步托底，所有步骤都对，整句才对，体现自回归生成的核心思想。
    ∏i=1TP(yi∣y<i,x,s)\prod_{i=1}^{T} P(y_i \mid y_{<i}, x, s)

情感合成：给声带加戏

导演给演员讲戏：“这场戏你要愤怒！”同一句台词，语气一变，味道全变。在 TTS 里，情感不是靠演员的天赋，而是靠一个显式的“情感向量”告诉模型此刻该用什么腔调。最朴素也最有效的做法，是把文本语义与情感向量叠加在一起，再送入后续网络：

除了标签式的“显式情感”，现代模型更常用“参考音频条件”：直接给你一段带情绪的录音，模型先把它编码成一个 prompt 序列，再让新句子跟着这个腔调走。这就是 VALL-E 的拿手好戏——零样本情感迁移。更进一步，情感强度也做成连续值：$e = e_{\mathrm{neutral}} + \alpha \cdot \Delta e$，$\alpha$ 越大，情绪越“放得开”。这套机制天然支持跨语言迁移：中文愤怒样本训出的情感向量，可以叠加到英文文本上，让老外也说出一口“带火气”的英语。导演的“说戏”功力，就这样被编码成了数学上的向量加法。

hout=Wt⋅htext+We⋅e\displaystyle h_{\mathrm{out}} = W_{t} \cdot h_{\mathrm{text}} + W_{e} \cdot e
你可以把它想象成导演凑到演员耳边说悄悄话：前半句是台词内容（文本语义），后半句是情绪指示（情感向量），两者合在一起才构成完整的表演指令。
  1. 文本语义向量$h_{\mathrm{text}}$——文本编码后携带的语义信息，回答“这句话是什么意思”。
    htext∈Rdhh_{\mathrm{text}} \in \mathbb{R}^{d_h}
  2. 情感向量$e$——从情感标签（开心/难过）或参考音频中提取的向量，回答“用什么情绪说”。
    e∈Rdee \in \mathbb{R}^{d_e}
  3. 可学习权重$W_{t}$ 与 $W_{e}$——两个可训练矩阵，决定剧本和情绪各占多少分量，模型在训练中自动学会配比。
    Wt∈Rdh×dh,We∈Rdh×deW_{t} \in \mathbb{R}^{d_h \times d_h}, \quad W_{e} \in \mathbb{R}^{d_h \times d_e}
  4. 融合相加$+$——两路信息在特征空间叠加，相当于“内容”与“情绪”两条线索汇入同一个声道。
    hout=Wthtext+Weeh_{\mathrm{out}} = W_{t} h_{\mathrm{text}} + W_{e} e

语速控制：快慢的数学

导演喊：“这段对白要急促，像连珠炮！”语速是听感中最直接的节奏维度。在语音学里，语速的定义非常朴素：单位时间内说出了多少个音素。公式如下：

具体实现上，端到端模型通常内置一个“时长预测器”：对每个文本 token 预测一个期望时长。训练时把预测时长强行拉齐到真实语音的对齐结果上；推理时只要把时长集体乘一个系数，就能实现“语速×1.5”或“语速×0.7”。韵律标记（如停顿、边界）也会参与计算——句号后的停顿拉长，句内词紧凑，这样快慢才自然，而不是均匀地“赶时间”。导演手中的“节奏节拍器”，本质就是一张每个音素停多久的时间表。

rate=NphonemeTduration\displaystyle \mathrm{rate} = \frac{N_{\mathrm{phoneme}}}{T_{\mathrm{duration}}}
音素是语音的最小单位，相当于台词里的“字”。分子是字数，分母是总时长，两者一比就是说话快慢。想让语速变快，要么音素变多（台词加字），要么时长变短（说话提速）。
  1. 音素数$N_{\mathrm{phoneme}}$——这句话拆出的音素总个数，比如“你走吧”对应 n-ǐ z-ǒu b-a 一串音素。
    NphonemeN_{\mathrm{phoneme}}
  2. 总时长$T_{\mathrm{duration}}$——从开口到收声的总秒数，是语速控制里可以直接“拧”的旋钮。
    TdurationT_{\mathrm{duration}}
  3. 比值$\mathrm{rate}$——音素数除以时长，得到每秒说多少个音素，单位类似于“字/秒”。
    rate=NphonemeTduration\mathrm{rate} = \frac{N_{\mathrm{phoneme}}}{T_{\mathrm{duration}}}
  4. 变速不变调控制时长时不能简单对音频做时间拉伸，否则音高会走样，像磁带被快进。正确做法是让模型内部的“时长预测器”对每个音素重新分配停留时间，再通过注意力对齐矩阵重新摆放每一帧。
    Tphoneme=TtargetNphonemeT_{\mathrm{phoneme}} = \frac{T_{\mathrm{target}}}{N_{\mathrm{phoneme}}}

音高调控：起伏见情绪

导演示范：“这一声'啊'，要高亢，是惊喜；要低哑，是失落。”音高在人耳里是“调子高低”，物理上对应声带振动的频率——基频 F0。TTS 模型并不直接生成音频波形，而是先预测一条随时间变化的 F0 曲线，告诉“音响师”每个瞬间该多高。这条曲线常用对数域建模：

重音强调靠的是局部抬高 F0 峰，比如“我要这个”里的“要”字；边界调素则决定句号是降调、问号是升调。情感对音高的影响也很大：兴奋时 F0 曲线整体抬高、波动加剧；沮丧时曲线平缓、趴在地板上。很多 TTS 的情感控制，本质就是先对 F0 曲线做“情绪化改造”，再让声码器照着这条曲线发声。导演的“高低眉”示范，最终化为一条有灵性的数学曲线。

log⁡F0(t)=b+∑j=1Kajhj(t)\displaystyle \log F0(t) = b + \sum_{j=1}^{K} a_{j} h_{j}(t)
人耳对音高的感知是对数的：每升高一个八度，频率翻一倍，但听感是“均匀”的。所以模型在 log 域里画曲线，就像导演在钢琴上按“均匀的刻度”定调，而不是按频率数字跳变。
  1. 基频$F0(t)$——$t$ 时刻声带振动的频率，单位赫兹（Hz），决定此刻音高。
    F0(t)    [Hz]F0(t) \;\;[\mathrm{Hz}]
  2. 对数刻度$\log F0(t)$——把频率取对数，贴合人耳“八度感知”，也让模型更容易线性外推高低音。
    log⁡F0(t)\log F0(t)
  3. 基线音高$b$——整句话的平均音高水平，对应这个人的“基本声线”高低，男女声差异就在这里。
    b=1T∫0Tlog⁡F0(t) dtb = \frac{1}{T} \int_{0}^{T} \log F0(t)\, dt
  4. 起伏叠加$\sum_{j=1}^{K} a_{j} h_{j}(t)$——一组基函数（样条、正弦等）加权求和，刻画语调的“波浪线”，重音落在峰上，疑问句结尾上扬。
    ∑j=1Kajhj(t)\sum_{j=1}^{K} a_{j} h_{j}(t)

模型与工具：两位名角

剧组选角时，Bark 是个“全能型演员”——一个网络包办文本到音频的端到端生成，不需要外部声码器，甚至能在同一句里插入“[笑]”、“[激动]”这样的文字提示，让模型自行发挥。VALL-E 则是“模仿型演员”——你给它一段参考录音，它就把声线、情绪、语速全部“拷贝”进生成过程，这让“零样本”说话人克隆成为可能。VALL-E 的生成式条件描述为：

开源工具链上，Hugging Face 的 transformers 已内置 Bark 的加载与推理接口，社区里还有针对低延迟部署的优化实现。参数调优的实践要点包括：延长参考音频长度能提升风格稳定度；调节温度参数控制生成随机性；对情感强度做插值可生成“介于平静与激动之间”的细腻状态。导演选角，看的是戏路匹配度——Bark 适合天马行空的创意配音，VALL-E 适合克隆指定音色的生产任务。

P(Y∣X,A)=∏i=1TP(yi∣y<i, X, A)\displaystyle P(Y \mid X, A) = \prod_{i=1}^{T} P(y_i \mid y_{<i},\, X,\, A)
A 是参考音频被编码后的令牌序列。可以理解为：新人演员第一次演哭戏，导演不教理论，直接放一段影帝的哭戏录音，让他“照着这个演”。VALL-E 就是这样“照着演”的。
  1. 文本令牌$X$——输入文本编码后的 token 序列，是“要说的台词”。
    X=x1,x2,…,xmX = x_1, x_2, \dots, x_m
  2. 参考音频令牌$A$——参考录音经过神经编解码器后的离散 token 序列，携带说话人的音色、情绪和节奏。
    A=a1,a2,…,anA = a_1, a_2, \dots, a_n
  3. 自回归条件生成$P(y_i \mid y_{<i}, X, A)$——生成第 $i$ 步音频令牌时，同时看着前面已经生成的令牌、文本台词和参考音频，三者缺一不可。
    P(yi∣y<i,X,A)P(y_i \mid y_{<i}, X, A)
  4. 零样本迁移由于 $A$ 是“现场示范”，模型无需对新说话人做任何微调，就能在推理时模仿出参考音频的风格——这就是“零样本”的含义。
    P(Y∣X,A)=∏i=1TP(yi∣y<i,X,A)P(Y \mid X, A) = \prod_{i=1}^{T} P(y_i \mid y_{<i}, X, A)

评估与应用：彩排与舞台

戏排好了，怎么知道演得行不行？导演要听三个问题：“像不像真人？情绪准不准？节奏对不对？”TTS 评估的核心指标是 MOS（Mean Opinion Score，平均意见分），让一批听者对合成语音的自然度打分：

但 MOS 只测自然度，测不出“这句话够不够愤怒”。因此情感合成还要专门做“情感辨识度”测试：让听者判断这段语音属于哪种情绪，或用情绪分类模型自动打分。工程落地上，最成熟的两大舞台：一是有声书生产，同一本小说里旁白用中性平稳语速，反派角色用低沉音高加冷峻情感，主角激动时语速加快、F0 上扬；二是虚拟助手，在用户焦急的语境下，助手以稍快语速加温和关切的情感回应，体验立即拉开差距。导演的彩排标准，最终要落到业务指标——听众不点关闭，用户愿意多说一句。

MOS=1N∑i=1Nscorei\displaystyle \mathrm{MOS} = \frac{1}{N} \sum_{i=1}^{N} \mathrm{score}_i
相当于请 N 位“观众评委”每人打一个分，取平均。分数区间 1 到 5，4.5 以上通常被认为接近真人水平。
  1. 单一评分$\mathrm{score}_i$——第 $i$ 位听众给出的分数，1 分无法忍受，5 分与真人无异。
    scorei∈{1,2,3,4,5}\mathrm{score}_i \in \{1, 2, 3, 4, 5\}
  2. 评委数量$N$——参与听感测试的人数，一般不少于 20 人，样本越大越可信。
    NN
  3. 取均值$\frac{1}{N} \sum_{i=1}^{N}$——把所有评委的分数加起来除以人数，得到一个综合口碑分。
    MOS=1N∑i=1Nscorei\mathrm{MOS} = \frac{1}{N} \sum_{i=1}^{N} \mathrm{score}_i

AI 应用场景

有声书与播客的批量配音

阶段：音频内容生产与后期制作

解决的问题：传统有声书需要逐句人工录制，一名配音演员一天只能录几千字，且难以一人分饰多角。AI 风格控制让同一套模型按角色设定切换情感、语速与音高，旁白、主角、反派全部自动生成，生产效率提升数十倍。

具体案例：某音频平台生产一部 30 万字的小说，使用 Bark 风格控制为旁白配置 0.95 语速、中性情感，为反派角色配置 0.8 语速、低沉音高和冷峻情感，再给高潮段落整体调高 F0 波动幅度。成片通过 MOS 4.2 以上验收，听众评论“情绪感比部分人工配音还足”。

虚拟助手的情感感知应答

阶段：多模态交互中的语音生成环节

解决的问题：传统 TTS 一律用平稳语气播报，用户情绪激动时，助手依然“波澜不惊”，体验冰冷。接入情感识别后，把用户情绪标签映射为 TTS 风格参数，助手能以关切/安抚的语气回应。

具体案例：某银行电话客服系统检测到用户多次提高音量、语速加快，判定为“焦急”状态，于是 TTS 自动切到“语速×1.2、F0 中高、带温和安抚情感”的风格，先共情再说方案，用户满意度提升 12%。

游戏 NPC 与短视频角色的多语言情绪配音

阶段：内容创作与本地化

解决的问题：游戏角色动辄上万句台词，多语言版本如果逐语种找配音演员，成本极高。参考音频条件技术允许只用一段中文情绪示范，就能让英文、日文语音带上同样的情绪底色，实现“一种演法，多国语言”。

具体案例：某独立游戏制作组用 VALL-E 对主角的一段愤怒参考录音做零样本迁移，为英、日、韩三种语言生成了同情绪台词，总制作周期从 3 个月压缩到 2 周。

Python 演示

python35 行
import numpy as npimport wave def synthesize_speech(text, emotion=0.5, speed=1.0, pitch=1.0,                      sr=16000, base_f0=120.0):    """模拟风格控制的简易 TTS：情感=音色包络，语速=时长缩放，音高=基频乘子"""    parts = []    for ch in text:        # 每个字符(音素)的时长随语速倍率反比变化        ph_dur = max(int(sr * 0.16 / speed), sr // 100)        t = np.arange(ph_dur) / sr        # 音高: 基频乘 pitch；情感: 用低频正弦包络制造"起伏感"        f0 = base_f0 * pitch        envelope = 0.35 + 0.65 * emotion + 0.3 * emotion * np.sin(2 * np.pi * 2.5 * t)        phoneme_wave = 0.6 * np.sin(2 * np.pi * f0 * t) * envelope        parts.append(phoneme_wave)    audio = np.concatenate(parts) if parts else np.zeros(1)    audio = audio / (np.max(np.abs(audio)) + 1e-8) * 0.8    return (audio * 32767).astype(np.int16) def save_wav(filename, samples, sr=16000):    with wave.open(filename, 'wb') as wf:        wf.setnchannels(1)        wf.setsampwidth(2)        wf.setframerate(sr)        wf.writeframes(samples.tobytes()) if __name__ == '__main__':    text = '你走吧'    calm = synthesize_speech(text, emotion=0.2, speed=0.9, pitch=1.0)    angry = synthesize_speech(text, emotion=0.95, speed=1.6, pitch=1.3)    save_wav('calm.wav', calm)    save_wav('angry.wav', angry)    print('已生成 calm.wav（平静版）与 angry.wav（愤怒版）：')    print('平静版: 语速慢, 音高平缓 | 愤怒版: 语速快, 音高尖, 情绪起伏大')
目的：演示风格三要素的数学本质——语速改变音素时长、音高改变基频、情感改变包络起伏，生成两份听感差异明显的语音文件。
  1. ph_dur = max(int(sr * 0.16 / speed), sr // 100)每个音素的采样点数随语速翻倍而减半，这就是语速控制的“时长分配”。
  2. f0 = base_f0 * pitch音高旋钮直接放大基频，1.3 倍就是整体调高约 4~5 个半音。
  3. envelope = 0.35 + 0.65 * emotion + 0.3 * emotion * np.sin(...)情感越强，包络振幅越大、波动越剧烈，对应 F0 曲线的情绪起伏。
  4. np.concatenate(parts)把每个音素拼接成完整句子，模拟自回归 TTS 逐帧生成的过程。
  5. audio / (np.max(np.abs(audio)) + 1e-8) * 0.8归一化防削波，等效于声码器输出前的能量控制。
  6. save_wav('calm.wav', calm)` 与 `save_wav('angry.wav', angry)导出两版“同一句台词、两种演法”，直接可听对比。

常见误区

误区“想让 TTS 说话快，直接把播放速度调成 1.5 倍不就行了？反正都是快。”初学者常把这个误区带入合成环节，结果声音像被按了快进键的磁带，音调变尖、听感滑稽。

正解专业 TTS 的语速控制是在“时长预测”层面完成的：模型重新为每个音素分配停留时间，再重建音频，基频保持不变。好比导演让演员“台词念快点”时，演员的声带并不会因此变细——只有录音机快进才会把音调和语速一起改掉。

为何常见：日常听播客用倍速播放已是习惯，大家自然把“变快”等同于“播放速率拉伸”，忽略了合成环节与播放环节的根本区别。

误区“给一段中性语音加个混响、调个 EQ，不就是带情绪了吗？”不少初学音频处理的开发者会这样想，把情感当成一种可后处理的音效。

正解真正的情感是“长”在声学特征序列里的——F0 曲线的起伏形态、音素的时长分布、能量包络的抖动节奏共同决定了情绪听感。这些必须在生成阶段由模型按情感条件规划出来，后处理滤镜只能改变音色质感，改不了“这句是哭是笑”的本质。

为何常见：短视频滤镜文化让人习惯了“效果器万能”的直觉，但语音情感涉及时间维度上的动态组织，不是一招静态处理能伪造的。

误区“声音高不就是音量大的意思吗？”

正解音高是声带振动的基频，单位是赫兹，决定“调子高低”；音量是声波振幅，单位是分贝，决定“响度大小”。一个人可以低声细气地说出高八度的“啊”，也可以歇斯底里地低吼一个低音。TTS 风格控制里两者由完全不同的参数通道支配，混为一谈会调出“又尖又炸”或“又闷又软”的错误听感。

为何常见：日常口语里“声音高”常被模糊地指代“嗓门大”，物理概念的混淆被自然语言带节奏了。

误区“VALL-E 叫零样本说话人克隆，那我随便给它一段录音，它就能无限说任何话？”一些产品宣传放大了“模仿”而忽略了“内容”。

正解VALL-E 的生成公式是 $P(Y \mid X, A)$——参考音频 A 只提供音色与风格，文本 X 才是要说的内容。模型是把文字“转述”成参考音频的腔调，而不是把录音里的原话截出来拼接。脱离文本的“纯克隆”不在它的能力范围内。

为何常见：“克隆”这个词自带魔幻感，加上“零样本”的炫技表述，容易让人脑补成无需任何输入的自动说话机器。

面试题

Q1. TTS 风格控制的核心三要素是？

单选题 · easy

  • A.情感、语速、音高← 正确答案
  • B.音量、音色、时长
  • C.节奏、共鸣、响度
  • D.声线、呼吸、停顿

答案：A。风格三要素是情感（怎么演）、语速（多快说）、音高（多高调）。音量、音色属于音质范畴，节奏与共鸣是附属表现，不是风格控制的三大基础旋钮。选 B 混淆了音质与风格，C、D 是把表演术语误当成参数维度。

Q2. 情感向量通常如何进入 TTS 模型？

单选题 · easy

  • A.以嵌入向量拼接进文本特征← 正确答案
  • B.以覆盖写方式直接修改波形
  • C.以降低采样率方式压缩音频
  • D.以正则化方式去掉所有噪声

答案：A。情感向量与文本语义向量在特征空间相加或拼接，再送入声学模型，属于条件注入。B 修改波形是后处理，C 改变的是采样率，D 是降噪手段，三者都改变不了“用什么情绪说话”的生成过程。

Q3. 下列哪些方法可以实现情感合成？

多选题 · mid

  • A.情感标签嵌入作为模型条件← 正确答案
  • B.参考音频编码序列作为提示← 正确答案
  • C.用随机种子噪声代替输入文本
  • D.用均衡器增强低频完成情感

答案：AB。情感标签嵌入是显式条件，参考音频提示是隐式条件，两者都是主流做法。C 破坏了“说什么”，D 只是音色调校，无法让模型在时间序列上组织出情绪起伏，因此错误。

Q4. “变速不变调”指的是？

单选题 · mid

  • A.语速变化时保持基频不变← 正确答案
  • B.语速变化时保持节拍不变
  • C.音高变化时保持语速不变
  • D.音量变化时保持音色不变

答案：A。变速不变调的核心是在时长预测层调整音素停留时间，而不是对波形做时间拉伸，因此基频 F0 保持原样。B 说反了因果关系，C、D 描述的是别的什么不变，均未击中“变速”场景下的音高校准问题。

Q5. 语速 rate 的数学定义是？

单选题 · mid

  • A.音素个数除以发音总时长← 正确答案
  • B.发音总时长除以音素个数
  • C.音频采样率乘以声道个数
  • D.文本字数乘以停顿次数

答案：A。$\mathrm{rate} = N_{\mathrm{phoneme}} / T_{\mathrm{duration}}$，音素越多、时长越短，语速越快。B 是“每个音素平均耗时”，是周期的概念而非语速；C 是比特率，D 没有物理意义。

Q6. 语音合成中 F0 指的是？

单选题 · easy

  • A.发声时声带振动的基频← 正确答案
  • B.录音时麦克风拾取的响度
  • C.合成时噪声滤波器的阻尼
  • D.文本音素序列的头尾对齐

答案：A。F0 是声带振动的基础频率，决定音高感知。B 是响度对应振幅，C 是滤波器参数，D 是时长对齐概念。理解 F0 是掌握音高调控的前提。

Q7. Bark 模型相比传统 TTS 的特点有哪些？

多选题 · mid

  • A.基于神经编解码离散音频令牌← 正确答案
  • B.文本中加自然语言风格描述← 正确答案
  • C.需要逐音素手工标注才能合成
  • D.必须先训练一个单独的声码器

答案：AB。Bark 把音频编码成离散 token 序列，用 Transformer 自回归生成，支持“[笑]”“[激动]”这样的文本提示。它不依赖逐音素人工标注，也不需要外置声码器，因此 C、D 错误。

Q8. VALL-E 零样本说话人克隆的核心机制是？

单选题 · hard

  • A.参考音频token序列充当提示← 正确答案
  • B.用大语料微调整个声学模型
  • C.用录音直接做波形拼接播放
  • D.用语音识别转写文本后复述

答案：A。VALL-E 将参考音频编码成 token 序列 $A$，生成时作为条件 prompt 与文本 $X$ 一起驱动自回归解码，全程无需微调。B 是适配而非零样本，C 是拼接合成，D 是 ASR+TTS 级联，都不是它的核心机制。

Q9. MOS 评分的取值与含义是？

单选题 · hard

  • A.一至五分取平均的主观评分← 正确答案
  • B.零至一百分的客观信噪比
  • C.一至五十分的情感强度指数
  • D.零至九十分的多说话人区分度

答案：A。MOS 让听者按 1~5 分对自然度打分，最后取平均。B 是 SNR 的定义，C 可能是情感强度自定指标，D 与说话人分离任务相关。MOS 是 TTS 最通用的主观自然度指标。

Q10. 下列哪些因素会影响合成语音的情感辨识度？

多选题 · extreme

  • A.基频曲线的形态与起伏幅度← 正确答案
  • B.语速的变化快慢与停顿节奏← 正确答案
  • C.情感嵌入向量表达的强度维度← 正确答案
  • D.耳机输出的额定功率与信噪比

答案：ABC。情感辨识度由 F0 曲线形态（如兴奋时上扬）、语速节奏（急促=紧张）和情感嵌入强度三者共同决定。D 是回放设备指标，影响听音物理条件，但与算法生成的语音本身的情感可辨识性无关。