#4楼2026-11-01 01:07
我倾向于分层控制,而不是只靠提示词或只靠韵律模型。提示词适合定大方向,比如整体情绪、语速快慢和说话场景,但它管不住每一个停顿和重音,换一句文本就容易漂移。真正能控住的地方在中间层:先把文本做韵律标注,标出句间停顿、气口、重音词和疑问、感叹的语调走向,再让模型在这些标注的约束下生成时长和基频曲线,这样长句不会一口气读完,关键信息也不会被平铺直叙带过去。情感也不要只给一个词,比如只写高兴或悲伤,效果往往过头或不到位;更稳的做法是给强度和对象,例如克制的高兴、带安抚意味的平静,并配一段同风格的参考音频做风格锚点。最后验收不能只听整体像不像,要逐句对停顿位置、语速变化和情感转折点,提示词越写越细反而会让模型顾此失彼时,就该把控制权交回韵律标注。