多条件扩散模型的音频生成

该研究提出了一种新的模型，通过添加时间戳、语调曲线和能量曲线作为文本的补充，增强了预训练文本转音频模型的可控性。该模型能够精细控制生成音频的时间顺序、音高和能量。实验结果表明，该模型成功实现了细粒度控制，实现了可控的音频生成。