Decodability Is Not Controllability: Local and Anisotropic Speaker Control in Continuous-Latent TTS
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为 arXiv 论文，将位置匹配探针与等范数几何对照结合以定位说话人控制，并含独立说话人编码器、held-out 原型检索、双盲听测及跨架构干预。
关键要点
- RALM L7 参考音频状态保留 0.970 探针准确率，对齐干预下 target-dominant dyads 为 0/60。
- L0 的 pair-aligned updates 使 target similarity 提升 0.326，并在全部 60 个 directed dyads 中达到 target dominance。
- dots.tts 中 x-vector ablation 使 mean source similarity 从 0.849 降至 0.006。
- dots.tts 骨干层等范数方向干预各条件下均为 0/60 target-dominant dyads，mean target gain 非正。
- 双盲听测中，听众对 L0 aligned 相对 L7 aligned 的偏好为 76.0%。
- L0 对齐参考音频干预的 CAM++ aligned target gain 为 +0.237，target-dominant dyads 为 55/60。