现有可控语音合成技术多局限于整句级别，难以实现一句话内情绪与语速的平滑动态变化。新加坡国立大学提出的首个训练-free句内控制框架，无需重新训练模型，仅通过推理阶段的策略调整，就能稳定实现多段情绪与语速的精细控制，为更自然的人机交互提供了新可能。
智能速览
首个训练-free的句内情绪与时长联合控制框架。
推理阶段实现，无需新模型或重新训练，工程成本低。
段感知技术与单调流对齐机制，确保情绪切换平滑自然。
利用微调大模型自动生成控制提示，免去人工分段。
跨模型、跨语言泛化性强，支持中英文零样本合成。
精华内容
如何在不重新训练模型的前提下，让一句话里的语音展现出丰富的情绪和节奏变化？这个新框架给出了答案。
训练-Free创新
该框架的核心在于其“训练-free”特性，它没有引入新模型或对现有模型进行重新训练。所有复杂的控制都是在推理阶段完成的，通过重构条件访问与解码策略来达成。这意味着，现有的TTS模型可以低成本地集成这种高级控制能力，极大地降低了技术门槛和部署成本，同时保持了基线语音的质量不受影响。
段感知对齐技术
为实现稳定的句内控制，框架采用了段感知条件机制。它通过二维因果注意力掩码和单调流对齐（MSA）来精确追踪文本位置与语义单元。
这种设计确保了段内情绪的独立性，避免了情绪之间的相互串扰，同时保证了段间语义的连贯性。对于时长的控制，则结合了局部嵌入校正与全局调制，使得局部语速调节更加精准，整体生成过程也更稳定。
自动化与强泛化
为了让控制更便捷，研究者微调了Qwen3-8B大模型，使其能够根据文本自动生成多情绪、多时长的提示词，无需再进行繁琐的人工分段。
此外，该方法不依赖特定训练数据，基于IndexTTS2架构，展现出了强大的跨模型和跨语言泛化能力。实验证明，它能够在中英文环境下进行高质量的零样本语音合成，适用范围广泛。
实验效果显著
在中英文多情绪与多时长任务评测中，该框架在情绪过渡平滑度（DNSMOS）和主观MOS分数上均达到了业界顶尖水平（SOTA）。
与基线模型IndexTTS2相比，其语音自然度与可懂度保持在同一水准。更重要的是，时长控制误差显著降低，在不同语速比例缩放下表现更为稳定。消融实验也证实，单调流对齐机制是实现稳定情绪切换和精准时长控制的关键。
这项技术突破了传统TTS的控制瓶颈，让语音合成更具表现力和生命力。它预示着未来的语音交互将不再是单调的播报，而是充满情感、节奏丰富的自然对话，这将为虚拟助手、有声读物、数字人等领域带来变革，我们离真正“有灵魂”的AI声音还有多远？
