T5Gemma-TTS：以持续文本条件增强语音合成

自回归神经编解码器语言模型具备较强的零样本声音克隆能力，但仅解码器架构把输入文本当作前缀，与逐渐增长的音频序列争用位置容量，长语句的文本条件因而减弱。本文提出T5Gemma-TTS编码器—解码器模型，在每一解码层通过交叉注意力持续接收双向文本表示。模型建立在T5Gemma预训练骨干上，编码器和解码器各2B参数，共4B；无需音素转换，直接处理子词级文本。在全部26个交叉注意力层加入进度监控旋转位置嵌入PM-RoPE，用归一化进度帮助跟踪目标语音长度。模型用17万小时英语、中文和日语语音训练，日语说话人相似度显著优于XTTSv2（0.677对0.622，95%置信区间不重叠）。虽未训练韩语，其韩语相似度数值最高（0.747对XTTSv2的0.741），但差异尚无统计确定性。五种基线比较中，日语字符错误率数值最低（0.126），但与Kokoro的置信区间部分重叠。LibriSpeech英语结果应看作上界估计，因为训练使用的LibriHeavy是其超集。同一检查点在推理时关闭PM-RoPE后，字符错误率从0.129升至0.982、时长准确率从79%降至46%，几乎无法正常合成。代码和权重：https://github.com/Aratako/T5Gemma-TTS。