精选理由
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。
论文首次将DAAM框架适配到语音扩散模型，提出交叉注意力归因方法并应用于CapSpeech-TTS。方法提取了25层和24个ODE步骤的每个token热力图。分析了3600个（风格字幕，文本转录）组合，包含120个风格字幕和30个文本转录。结果发现风格token的时间方差低于内容/功能token，且风格关注度与F0和能量相关。注意力熵在层17达到最小值，与风格重要性峰值同时出现。
AI 翻译 · 中文
论文首次将DAAM框架适配到语音扩散模型，提出交叉注意力归因方法并应用于CapSpeech-TTS。方法提取了25层和24个ODE步骤的每个token热力图。分析了3600个（风格字幕，文本转录）组合，包含120个风格字幕和30个文本转录。结果发现风格token的时间方差低于内容/功能token，且风格关注度与F0和能量相关。注意力熵在层17达到最小值，与风格重要性峰值同时出现。
Style-captioned text-to-speech systems use natural language to control voice characteristics, but how individual words influence acoustic output remains unclear. Understanding this is critical for diagnosing failure mode…