EmoVoice模型基于大语言模型，解决了文本到语音（TTS）在情感表达控制方面的不足，实现了自然语言情感的精细控制，并通过并行输出音素和音频标记提高内容一致性，推动了情感语音合成的发展。

本研究提出了一种基于检索增强生成的文本到语音合成框架，强调提示选择的重要性，能够动态调整语言风格，实现更自然的交流。

SlimSpeech是一种轻量高效的文本到语音合成系统，基于精简整流流。该研究通过优化模型结构和蒸馏技术，显著减少了模型参数，同时保持了与大型模型相当的合成效果。

本研究针对新手内容创作者在社交媒体视频中录制语音的困难，提出了一种新方法，通过用户提供的上下文简化文本到语音（TTS）生成，并利用SpeakEasy系统进行优化。研究结果表明，使用SpeakEasy的参与者能够更有效地生成符合个人标准的语音表现。

Ebook2Audiobook 是一款开源工具，能够将电子书转换为有声书，支持多种格式，方便用户在不同场景下使用文本到语音技术收听。

本研究提出了Llasa框架，解决了基于大语言模型的文本到语音系统在训练和推理阶段的计算能力扩展问题。实验结果表明，延长训练时间可以显著提升合成语音的自然性、复杂性和情感表现。

本文提出了一种轻量级的多语言文本到语音（TTS）模型，旨在解决北美三种土著语言（奥吉布瓦语、米克马克语和马利西特语）语音合成系统不足的问题，强调了多语言模型在数据稀缺情况下的优势。

本研究探讨了文本到语音(TTS)系统中外部工具生成的时长依赖问题，提出了一种新的对齐器训练方法，显著提高了对齐准确性，词错误率降低了16%，优化了TTS系统的自然度和可懂度。

本研究提出了Hard-Synth方法，利用大语言模型生成文本，并结合零样本文本到语音技术，解决了自动语音识别系统在文本数据稀缺时的标记成本问题。实验结果表明，该方法显著提升了Conformer模型的表现，降低了词错误率，提高了数据效率。

本研究针对文本到语音（TTS）评估中的一致性和稳健性问题，提出了改进的MUSHRA测试变体，以解决参考匹配偏差和评判模糊性。此外，研究发布了包含47,100个汉语和泰米尔语评分的MANGO数据集，旨在支持人类偏好分析和自动评估指标的开发。

本研究探讨了文本到语音系统中字母到音素转换的歧义问题，提出了一种基于大语言模型的上下文知识检索方法，显著提高了转换精度，尤其在Librig2p数据集上降低了音素错误率。

本研究提出了一种改进的自回归变换器文本到语音模型，旨在解决长序列的鲁棒性和长度泛化问题。通过引入对齐机制和相对位置信息，提升了输出的自然性和表达力。

本研究提出了一种利用强大的文本到语音（TTS）模型进行自动语音识别（ASR）数据增强的方法，以解决低资源环境中ASR性能不足的问题。实验结果表明，文本多样性、说话人多样性和合成数据量对ASR性能有显著影响，尤其强调了文本多样性的重要性。

本研究提出了一种新型连续语音标记器及其文本到语音模型，克服了离散语音标记器在信息保留方面的不足。结果表明，该模型在连续性和平均意见分数上表现优异。

本研究提出EmoKnob框架，解决了文本到语音技术中情感选择和强度控制的问题。EmoKnob通过少量示例实现细粒度情感控制，并引入评估指标系统性评估情感合成效果。结果显示，该框架在情感表现力上优于商业TTS服务。

本研究通过多任务学习方法解决了传统文本到语音（TTS）管道中固定词汇覆盖的局限性，实施流程更简单。

研究发现，文本到语音的模型似然性对文本输入不敏感，而文本到图像的模型具有更强的表现力，但无法区分混淆提示。这一发现提供了对扩散模型似然性的新视角。