用于文本转语音中可解释情绪控制的稀疏自动编码器

将 大语言模型 (LLM) 集成到文本转语音 (TTS) 系统中提高了语音表达能力，但可解释的情绪控制仍然具有挑战性。现有的方法主要依赖于外部调节或全局激活引导，对情绪控制背后的内部表征提供的洞察有限。在这项工作中，我们使用稀疏自动编码器 (SAE) 来分析基于 LLM 的 TTS 模型的语义隐藏状态中与情感相关的变化，以识别稀疏潜在特征。我们的分析表明，情绪变化分布在多个稀疏潜在特征中，而对一小部分子集进行干预可以实现可解释的情绪控制。基于这一观察，我们引入了一种特征级干预框架，用于双向情绪诱导和抑制，而无需修改骨干参数。我们进一步表明，不同的潜在特征与特定的声学属性（例如音调）相关，这表明情感表达是由协调的潜在贡献产生的，而不是单一的全局变化。根据经验，相对于全局引导和现有 TTS 基线，引导这些稀疏的潜在特征可实现相当或更好的情绪诱导和抑制性能。