用户目前究竟能控制什么？
对语速的控制是最成熟的。FastSpeech是一款2024年推出的并行TTS模型，能够平滑地调整语速，几乎消除了跳词或重复词的问题，同时与自回归模型相比，将梅尔频谱生成速度提升了270倍，端到端合成速度提升了38倍[1]。这意味着用户可以获得更快、更可靠的语音，并支持可调节的语速——这对无障碍访问和实时应用来说是一大优势。
但对话语时长的精确控制——比如让一句话恰好持续3秒——仍然很困难。2024年的一项研究引入了掩码时长模型，该模型能从音频和文本提示中预测音素时长，从而实现细粒度的时长控制，但它需要对抗训练来保持对齐的稳健性，并且在自然度上仍不如无约束合成[2]。因此，虽然语速控制已经流畅，但精确的时长控制仍在推进中。
你能直接描述想要的语音吗？
是的，这是一个热门的研究方向。PromptTTS（2023）允许用户输入类似“一位女士轻声对朋友低语”这样的提示，并生成匹配的语音，它使用了独立的风格和内容编码器[4]。这比调整音高或韵律等声学参数更加用户友好，因为后者需要专业知识。然而，该研究不得不创建新数据集，因为此前没有现成的，而且评估仅限于风格控制质量，并未涉及现实世界的鲁棒性。
2025年的一项研究将这一思路扩展到了跨语言控制：他们在一个日语TTS模型和一个英语描述控制模型上进行了训练，共享与语言无关的音色和风格表征，从而让用户可以用英语描述声音，并获得具有该风格的日语语音[3]。这一方法之所以有效，是因为这些表征基于自监督学习，不依赖于具体语言。但该研究仅测试了英语和日语，且由于缺乏日语音频-描述配对，跨语言迁移仍停留在概念验证阶段，尚未成为可投入生产的成熟功能。
我们能否在语音生成后对其进行编辑？
是的，但有局限性。EdiTTS（2022）利用基于分数的扩散模型，通过对目标区域施加有针对性的扰动和掩码，在不重新训练的情况下编辑现有语音中的音高和内容[5]。它在听感测试和语音转文字准确率上优于基线方法，但它是一种现成的方法，需要仔细调整扰动强度和掩码——因此对于非专业人士来说，它还不是一个即插即用的工具。
最佳情况与典型情况下的证据差距显而易见：FastSpeech在受控环境中展现出令人瞩目的速度和稳健性，但现实世界的语音更为复杂，而其他研究则表明，精确控制往往以牺牲自然度为代价，或需要额外的训练数据[1][2][3][4]。因此，尽管该领域已取得飞跃式进展，随之而来的研究问题自然聚焦于稳健性、泛化能力以及用户友好界面——而不仅仅是原始性能。
关于这些来源
本回答基于5项同行评审研究——发表于2022年至2025年间，其中3项为2024年或之后发表，1项发表于Q1–Q2期刊，合计被引用405次——这些研究是从5项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文的数据库中检索到的36篇文献。
本文引用的文献
FastSpeech：快速、稳健且可控的文本到语音合成
FastSpeech是一种并行的前馈式TTS模型，在保持自回归模型音质的同时，将梅尔频谱生成速度提升了270倍，端到端语音合成速度提升了38倍，并且几乎消除了单词跳读或重复的问题，同时支持流畅的语速调节。
用于话语时长可控的文本转语音的掩码时长模型
掩码时长模型通过从音频/文本提示和掩码中预测音素时长，实现了细粒度的语句时长控制，但需要对抗训练以确保对齐的稳健性；该模型在时长控制上优于基线，但自然度仍是一大挑战。
基于描述的可控文语转换与跨语言语音控制
一种基于描述的文语转换（TTS）方法通过将目标语言的TTS与来自另一种语言的描述控制模型相结合，利用基于SSL的语言无关音色/风格表征，实现了跨语言的语音控制；该方法在英语和日语上进行了测试，在无需日语音频-描述配对的情况下，达到了较高的自然度和可控性。
Prompttts：基于文本描述的可控文本转语音
PromptTTS使用文本描述（风格和内容）作为提示来合成语音，并配备了风格编码器和内容编码器；它展示了精确的风格控制和高品质，但由于当时不存在现成数据集，因此需要构建一个新的数据集。
EdiTTS：基于评分的编辑方法，用于可控文本到语音合成
EdiTTS将基于分数的扩散模型应用于现有语音的音高和内容编辑，无需额外训练，通过扰动和掩码实现；在听感测试和语音转文字准确率上均优于基线方法，但需要仔细调参。