推荐理由：这篇把视觉归因方法搬到语音合成里，让你看清每个词怎么影响声音，对理解可控TTS特别有用。

推荐理由：这篇论文教你用一个现成的语音分类器直接生成语音，省掉单独训练扩散模型，更轻量高效。