本研究提出了MoonCast，旨在解决现有文本到语音合成系统在生成长时间、多发言者和自发对话中的局限性。MoonCast结合了长上下文语言模型和自发性脚本生成模块，能够合成自然的播客风格演讲，实验结果表明其在自发性和连贯性方面显著优于传统方法。

本研究提出了 IC R^2 基准，以更准确评估长上下文语言模型（LCLM）的性能。通过引入复杂上下文和优化方法，实验表明 Mistral-7B 模型显著提升了性能，展示了其实际应用潜力。

本研究探讨了上下文学习（ICL）在多示例模式下的样本选择敏感性，特别关注长上下文语言模型（LCLMs）。实验结果显示，简单随机选择样本未显著提升性能，而数据增强方法有效提高了ICL性能，提升幅度达到5%。