Bagpiper-TTS：自然语言引导的通用语音合成

经典 TTS 系统通常依赖于严格的输入格式和预定义的元数据槽，限制了其满足灵活用户需求的能力。本文介绍了 Bagpiper-TTS，这是一种处理各种自然语言用户请求的通用语音合成系统。在给出自然语言提示的情况下，Bagpiper-TTS 首先会推理用户获取丰富描述的意图，即包含转录和细致入微的元数据的全面文本蓝图。随后，该描述指导目标语音的合成。除了经典的 TTS 应用之外，我们的模型本身还支持广泛的任务，包括多人讲话、意图语音、角色扮演合成、歌声合成等。实验结果表明，Bagpiper-TTS 在 Seed-TTS-Eval 基准上实现了 1.7% 的字错误率 (WER)，并且在多个应用程序中的 LLM 法官和人类主观评估中与专用模型的性能相匹配。