该论文介绍了一种新颖的语音转换模型，通过文本指令引导语音转换，增加了多样性和特定性。该模型以端到端方式处理语音信息，利用文本指令修改语音的韵律和情感信息，实验证明其能力令人印象深刻。

该文介绍了一种利用相关性地图来指导修改的方法，以定位文本指令中所隐含的期望编辑区域，并确保不相关的像素保持不变。该方法在图像和 NeRF 编辑任务上实现了最先进的性能。

该论文介绍了一种由文本指令引导的新颖语音转换模型，能够增加语音转换的多样性和特定性。该模型以端到端的方式处理语音信息，利用文本指令修改给定语音的韵律和情感信息。实验证明了该模型在理解指令并产生合理结果方面的能力。