EmoInstruct-TTS：双路径指令引导的情感语音合成

基于指令的可控语音合成使用户能够通过自然语言指定情绪。然而，现有的方法通常依赖于粗略的情感标签，并且缺乏细粒度强度的明确建模。我们提出了 EmoInstruct-TTS，一种用于情感语音合成的双路径指令引导框架。我们引入了 Emotion2embed，这是一种有监督的语义声学情感嵌入，涵盖 48 种情绪状态，包括细粒度类别和强度级别。为了从自由形式的指令中推断嵌入，我们设计了一个指令条件情绪流模型（ICE-Flow），它可以生成基于声学的情绪表示。推断的嵌入被集成到基于 LLM 的合成管道中，以提供明确的情感控制，同时保留语义规划。实验表明，与强基线相比，情绪可控性和言语自然度有所提高。