大型语言模型在文本处理中的成功促使其应用于语音建模，但现有语音标记主要关注语言特征，忽视韵律信息，导致生成语音自然性不足。为此，我们提出一种端到端的变分方法，自动学习连续语音属性，增强语义标记，避免手动特征提取。
本研究探讨了语音到文本翻译（S2TT）系统如何利用韵律信息，并提出了评估方法和基准ContraProST。结果表明，端到端系统在韵律翻译方面优于传统系统，但韵律信号对翻译质量的提升有限。
完成下面两步后，将自动完成登录并继续当前操作。
