通过梯度逆优化，从冻结TTS模型中提取声音风格

一些文本转语音系统提供了合成模型和预设风格向量，但保留了将录音转换为风格向量的参考编码器，因此用户无法获得新语音的风格。我们通过梯度下降反转已释放的管道，在没有编码器的情况下恢复该向量：所有权重保持冻结，只有样式向量根据目标一次记录的时间池 WavLM 统计数据进行优化。目标丢弃时间轴，因此不需要记录。版本中的两个限制使结果成为一种直接风格：音色风格的每一行都保留在预设所在的单位球体上，而时间池损失无法看到的小持续时间风格适合录音的语速。在 SupertonicTTS 上，超过 147 个说话者和每个 100 个保留句子，ECAPA-TDNN 相似度从 0.129 上升到 0.419，每个恢复的风格都从预设开始，结束时比预设更接近其目标，并且合并的单词错误率保持低于预设的错误率。验证者在其等误差点接受 52% 的恢复语音作为目标说话者，而预设的则为 1%。