该文综述文本到音频生成研究，通过指令调整、检索增强、音频文本对齐及人类反馈提升生成质量与对齐度，提出Auffusion、Re-AudioLDM、AAI、Audiobox、DiffAVA等模型，实现音频生成、编辑、风格化及个性化语音合成，并引入AV-Align等评估指标。