Harness TTS：用控制层实现上下文感知的表现力语音合成

语音助手的表达性语音合成需要灵活的风格控制，以适应明确的请求和更广泛的交互环境。我们提出了 Harness TTS，这是一个轻量级控制层，它围绕 TTS 引擎来外部化和管理其表达行为。它将风格控制重新表述为闭集提示工具路由：离线时，使用结构化元数据构建紧凑的风格提示工具注册表；运行时，LLM 规划器根据优先级感知的观察模式选择适当的工具，TTS 执行器使用相应的提示音频合成语音。我们在路由和合成任务上评估 Harness TTS。在路由方面，Qwen3-4B 在显式、隐式和冲突子集上实现了 74.3%、43.0% 和 64.6% 的 Top-1 准确率。对于语音合成，CosyVoice3 和 VoxCPM2 上的实验表明，Harness TTS 优于仅指令控制，实现了更高的指令遵循获胜率（CosyVoice3 上的胜率提升幅度为 23.1-35.6 分，VoxCPM2 上的胜率提升幅度为 13.8-20.0 分），并将 UTMOSv2 分数提高了 0.11-0.38。此外，4B 规划器在标准模式下在 50 毫秒内提供第一个工具推荐，为实时交互引入的延迟可以忽略不计。这些结果表明，为 TTS 引擎配备专用的 Harness 层可为语音助手表情控制提供实用、可审核且上下文感知的解决方案。