Learning Neural Templates for Text Generation
Harvard University（哈佛大学）
虽然神经编码器-解码器模型在文本生成方面取得了显著的经验成功，但这种生成方式仍然存在一些未解决的问题。编码器-解码器模型在很大程度上（a）不可解释，（b）难以控制其措辞或内容。这项工作提出了一个神经生成系统，使用隐藏的半马尔可夫模型（HSMM）解码器，学习潜在的，离散的模板与学习共同生成。我们表明，该模型学习有用的模板，这些模板使生成更可解释和可控。此外，我们表明，这种方法可扩展到真实的数据集，并实现了强大的性能接近的编码器-解码器的文本生成模型。
2019-06-17 cs.CL cs.LG
MacLaSa: Multi-Aspect Controllable Text Generation via Efficient Sampling from Compact Latent Space
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Singapore（新加坡国立大学）
MacLaSa通过VAE构建紧凑潜在空间并利用ODE采样器实现高效多属性可控文本生成，在属性相关性和文本质量上优于强基线。
2023-10-17 cs.CL
Controllable Dialogue Generation with Disentangled Multi-grained Style Specification and Attribute Consistency Reward
University of Macau（澳门大学）；Baidu Inc（百度公司）；Xiamen University（厦门大学）
可控文本生成是一个吸引人但具有挑战性的任务，它允许用户指定生成的输出的特定属性。在本文中，我们提出了一个可控的对话生成模型，引导响应生成多属性约束下。具体来说，我们定义和分类的常用控制属性为全球和本地的，具有不同的粒度响应生成的影响。然后，我们显着扩展了传统的seq2seq框架，引入了一种新的两阶段解码器，首先使用多粒度的风格规范层施加的风格约束，并确定字级控制状态的响应的基础上的属性，然后采用响应生成层生成最终的响应保持语义相关的上下文和保真度的属性。此外，我们训练我们的模型与属性一致性奖励，以促进响应控制与明确的监督信号。在两个数据集上的大量实验和深入分析表明，我们的模型在响应质量、内容多样性和可控性方面可以显著优于竞争基线。
2022-10-21 cs.AI cs.CL
Template Controllable keywords-to-text Generation
Apple Inc.（苹果公司）；IBM Research（IBM研究院）
本文提出了一种新的神经模型，用于从关键字生成文本的未充分研究的任务。该模型将一组无序关键字和基于词性（POS）的模板指令作为输入。这使其成为任何NLG设置中曲面实现的理想选择。该框架是基于编码-参加-解码范式，其中关键字和模板被编码的第一，和解码器明智地出席了从编码的关键字和模板产生的上下文，以生成句子。训练利用了弱监督，因为模型使用通过完全自动化的方式准备的关键字和基于POS的模板对大量标记数据进行训练。在各个领域的公开测试数据的定性和定量性能分析揭示了我们的系统的优势，超过基线，使用最先进的神经机器翻译和可控传输技术。我们的方法与输入关键字的顺序无关。
2020-11-07 cs.AI cs.CL cs.LG
Segment-Level Diffusion: A Framework for Controllable Long-Form Generation with Diffusion Language Models
University of Cambridge（剑桥大学）
提出Segment-Level Diffusion框架，通过文本分割、对抗与对比学习及潜在空间引导，提升扩散模型长文本生成的连贯性与可控性，在四个数据集上取得优于或媲美基线的表现。
2025-05-25 cs.AI cs.CL
Tweet to News Conversion: An Investigation into Unsupervised Controllable Text Generation
Department of Computer Science
随着最近深度学习模型（如编码器-解码器）的出现，文本生成器系统变得非常流行。在没有监督的情况下控制生成的输出的信息和风格是一项重要且具有挑战性的自然语言处理（NLP）任务。在本文中，我们定义的任务是从一组灾难域推文构建一个连贯的段落，没有任何并行数据。我们通过在管道中建立两个系统来解决这个问题。第一个系统专注于无监督的风格转换，并将个人推文转换为新闻句子。第二个系统将第一个系统的输出拼接在一起，形成一个连贯的新闻段落。我们还提出了一种新的训练机制，通过将句子分割成命题并训练第二个系统合并句子。我们创建了一个验证和测试集组成的推文集和他们的等效新闻段落进行实证评估。在完全无监督的环境中，我们的模型能够获得19.32的BLEU分数，同时成功地转换风格并连接推文以形成有意义的新闻段落。
2020-08-21 cs.CL cs.LG
Controllable Length Control Neural Encoder-Decoder via Reinforcement Learning
ShanghaiTech University（上海科技大学）；Chinese Academy of Science（中国科学院）
在神经语言生成中控制输出长度在许多情况下是有价值的，特别是对于具有长度约束的任务。一个具有较强长度控制能力的模型可以产生更具体长度的句子，但它通常会牺牲所生成句子的语义准确性。在这里，我们表示可控长度控制（CLC）的概念之间的权衡长度控制能力和语义准确性的语言生成模型。更具体地说，CLC是改变模型的长度控制能力，以生成相应质量的句子。这在实际应用中，当长度控制能力和输出质量要求具有不同的优先级时，或在模型训练期间克服长度控制的不稳定性时是有意义的。在本文中，我们提出了两个强化学习（RL）的方法来调整长度控制模型的长度控制能力和语义准确性之间的权衡。结果表明，我们的RL方法提高了在广泛的目标长度的分数，并实现了CLC的目标。此外，两个模型LenMC和LenLInit修改以前的长度控制模型，提出了获得更好的性能摘要任务，同时仍然保持控制长度的能力。
2019-09-17 cs.CL
SENSESHIFT: Continuous Sentiment-Controlled Text Generation via Encoder-based Mask Infilling
Johannes Kepler University Linz（约翰开普勒林茨大学）；Thomson Reuters Labs（汤森路透实验室）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
该研究提出基于编码器的框架SenseShift，通过双向注意力等技术实现细粒度句子级情感控制文本生成，在故事与评论生成任务上，相比大解码器基线模型，情感可控性更强且文本质量与鲁棒性更优。
2026-08-26 cs.AI cs.CL
Encoder-Decoder Framework for Interactive Free Verses with Generation with Controllable High-Quality Rhyming
Huawei（华为）；Huawei London Research Center（华为伦敦研究中心）
针对诗歌歌词生成中的押韵控制问题，提出将押韵词前置并从左到右生成的PLM微调框架，提升可读性与押韵能力，并提供13种语言数据集及评估指标。
2024-05-08 cs.CL
Unsupervised Controllable Text Formalization
IBM Research（IBM研究院）
我们提出了一个新的可控自然语言转换框架。针对可控生成任务对并行语料库的需求难以满足的问题，提出了一种无监督的训练方案。该框架的关键是一个深度神经编码器-解码器，它通过辅助模块（称为评分器）用文本转换知识来加强。评分器基于现成的语言处理工具，根据其动作决定编码器-解码器的学习方案。我们应用这个框架的文本转换任务的形式化输入文本，通过提高其可读性等级，所需的形式化程度可以由用户在运行时控制。在公共数据集上的实验证明了我们的模型的有效性：（a）将给定的文本转换为更正式的风格，以及（b）在与输入控件相关的输出文本中引入适量的形式化。我们的代码和数据集发布用于学术用途。
2019-02-20 cs.CL cs.LG
Towards Controllable and Personalized Review Generation
New York University（纽约大学）；Stern School of Business（斯特恩商学院）
在本文中，我们提出了一种新的模型RevGAN，自动生成可控的和个性化的用户评论的基础上，任意给定的情感和风格的信息。RevGAN利用了三个新组件的组合，包括自关注递归自编码器，条件鉴别器和个性化解码器。我们在几个真实世界的数据集上测试了它的性能，在这些数据集上，我们的模型在句子质量、连贯性、个性化和人类评估方面明显优于最先进的生成模型。我们还实证表明，生成的评论不能很容易地从有机生产的评论区分，他们遵循相同的统计语言学规律。
2020-01-08 cs.CL cs.LG stat.ML
Visual Spatial Description: Controlled Spatial-Oriented Image-to-Text Generation
Tianjin University（天津大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
图像到文本的任务，如开放式的图像描述和可控的图像描述，几十年来一直受到广泛的关注。在这里，我们进一步推进这一行的工作，提出视觉空间描述（VSD），一个新的角度，图像到文本的空间语义。给定一个图像和其中的两个对象，VSD的目标是产生一个描述，专注于两个对象之间的空间透视。因此，我们手动注释数据集，以方便新引入的任务的调查，并通过使用VL-BART和VL-T5作为骨干构建几个基准编码器-解码器模型。此外，我们调查管道和联合端到端架构，将视觉空间关系分类（VSRC）的信息到我们的模型。最后，我们在基准数据集上进行实验，以评估我们所有的模型。结果表明，我们的模型是令人印象深刻的，提供准确的和人性化的面向空间的文本描述。同时，VSRC对VSD也有很大的潜力，端到端的联合架构是它们集成的较好选择。我们将数据集和代码公开用于研究目的。
2022-10-26 cs.CL cs.CV
Diverse, Controllable, and Keyphrase-Aware: A Corpus and Method for News Multi-Headline Generation
College of Computer Science, Sichuan University（四川大学计算机学院）；Microsoft Research Asia（微软亚洲研究院）；Mila（米拉）；Microsoft（微软）
新闻标题生成的目的是产生一个简短的句子来吸引读者阅读新闻。一篇新闻文章通常包含不同用户感兴趣的多个关键词，自然可以有多个合理的标题。然而，大多数现有的方法集中在单一的标题生成。本文提出了一种基于用户兴趣关键词的多标题生成方法，其主要思想是先生成多个用户感兴趣的关键词，然后再生成多个关键词相关的标题。我们提出了一个多源Transformer解码器，它采用三个源作为输入：（a）关键词，（b）关键词过滤的文章，和（c）原始文章，以生成关键词相关的，高质量的，多样化的标题。此外，我们提出了一种简单有效的方法来挖掘新闻文章中感兴趣的关键词，并建立了第一个大规模的关键词感知的新闻标题语料库，其中包含超过18万对齐的$<$新闻文章，标题，关键词$>$三元组。在真实世界数据集上的大量实验比较表明，该方法在质量和多样性方面达到了最先进的结果
2020-10-04 cs.CL
Progressive Open-Domain Response Generation with Multiple Controllable Attributes
Ping An Life Insurance Company of China（中国平安人寿保险股份有限公司）；Carnegie Mellon University（卡内基梅隆大学）
期望包括更多的可控属性以增强开放域对话系统中生成的响应的多样性。然而，现有的方法可以生成仅具有一个可控属性的响应，或者缺乏灵活的方式来生成具有多个可控属性的响应。在本文中，我们提出了一个渐进训练的分层编码器-解码器（PHED）来解决这个任务。更具体地说，PHED在Transformer上部署了条件变分自编码器（CVAE），以在一个阶段包括属性的一个方面。CVAE的一个重要特征是将每个阶段的潜变量分为两类：一个是捕捉公共语义特征的全局变量，另一个是吸收该阶段属性信息的特定变量。然后，PHED将CVAE潜在变量与Transformer编码器耦合，并通过最小化新导出的ELBO和受控损耗来进行训练，以产生下一级的输入并根据需要产生响应。最后，我们进行了广泛的评估，以表明PHED显着优于最先进的神经生成模型，并产生更多样化的反应，正如预期的那样。
2021-06-07 cs.CL cs.LG
Automatically Neutralizing Subjective Bias in Text
Stanford University（斯坦福大学）；Kyoto University（京都大学）；Georgia Institute of Technology（佐治亚理工学院）
像新闻、百科全书和一些社交媒体这样的文本都力求客观。然而，以不适当的主观性为形式的偏见--通过框架、预设真理和怀疑来引入态度--仍然无处不在。这种偏见侵蚀了我们的集体信任，助长了社会冲突。为了解决这个问题，我们引入了一个新的测试平台自然语言生成：自动将不适当的主观文本带入一个中立的观点（“中和”有偏见的文本）。我们还提供了第一个有偏见的语言平行语料库。该语料库包含180，000个句子对，来源于维基百科的编辑，从有偏见的句子中删除了各种框架，预设和态度。最后，我们为任务提出了两个强编码器-解码器基线。一个简单而不透明的CONCURRENT系统使用一个BERT编码器来识别主观词，作为生成过程的一部分。一个可解释和可控制的模块化算法将这些步骤分开，使用（1）基于BERT的分类器来识别有问题的单词，以及（2）一个新的连接嵌入，通过它分类器可以编辑编码器的隐藏状态。跨四个领域（百科全书、新闻标题、书籍和政治演讲）的大规模人类评估表明，这些算法是自动识别和减少偏见的第一步。
2019-12-12 cs.AI cs.CL
Controllable Unsupervised Text Attribute Transfer via Editing Entangled Latent Representation
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；The MOE Key Laboratory of Computational Linguistics, Peking University（北京大学计算语言学教育部重点实验室）
无监督文本属性转移自动转换文本以改变特定属性（例如情感），而不使用任何并行数据，同时保留其属性无关的内容。主流方法试图单独对内容无关属性进行建模，例如，学习不同属性的表示或使用多个属性特定解码器。但是，从控制转移程度或同时在多个方面转移的角度来看，可能会导致不确定性。为了解决上述问题，我们提出了一个更灵活的无监督的文本属性传输框架，它取代了建模属性的过程与最小的编辑的基础上的属性分类的潜在表示。具体来说，我们首先提出了一个基于transformer的自动编码器来学习离散文本的纠缠潜在表示，然后我们将属性转移任务转换为优化问题，并提出了快速梯度迭代修改算法来编辑潜在表示，直到符合目标属性。大量的实验结果表明，我们的模型在三个公共数据集上取得了非常有竞争力的性能。此外，我们还表明，我们的模型不仅可以自由地控制转移的程度，但也允许在多个方面的转移在同一时间。
2019-12-12 cs.CL
Transformer-based Conditional Variational Autoencoder for Controllable Story Generation
University at Buffalo（布法罗大学）；JD Finance America Corporation（京东金融美国公司）
我们研究了用于神经故事生成的大规模潜变量模型（LVMs）-开放域长文本的一个未充分开发的应用程序-目标有两个线程：生成有效性和可控性。LVMs，特别是变分自编码器（VAE），通过利用灵活的分布式潜在表示实现了有效和可控的生成。近年来，Transformers及其变体在没有显式潜在表示学习的情况下取得了显著的效果，因此在生成过程中缺乏令人满意的可控性。在本文中，我们主张在Transformers时代恢复潜变量建模，本质上是表示学习的力量，以增强可控性，而不损害最先进的发电效率。具体来说，我们将潜在表示向量与基于transformer的预训练架构相结合，以构建条件变分自编码器（CVAE）。模型的组成部分，如编码器，解码器和变分后验都建立在预先训练的语言模型-GPT 2在本文中具体。实验证明了我们的模型的最先进的条件生成能力，以及其优秀的表示学习能力和可控性。
2021-07-08 cs.AI cs.CL cs.LG
Length-Controllable Image Captioning
South China University of Technology（华南理工大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；University of Adelaide（阿德莱德大学）
在过去的十年中，图像描述任务取得了显著的进步，然而，大多数现有的方法不能控制他们的标题，\emph{e.g.}，选择描述图像粗略或详细。在本文中，我们建议使用一个简单的长度水平嵌入，赋予他们这种能力。此外，由于它们的自回归性质，现有模型的计算复杂性随着生成的字幕的长度增长而线性增加。因此，我们进一步设计了一种非自回归的图像描述方法，该方法可以以与长度无关的复杂度生成字幕。我们验证了三种模型的优点：两个国家的最先进的（SOTA）自回归模型与不同类型的解码器，以及我们提出的非自回归模型，以显示其泛化能力的长度水平嵌入。在实验中，我们的长度可控的图像描述模型不仅实现了SOTA的性能具有挑战性的MS COCO数据集，但也产生长度可控和多样化的图像字幕。具体而言，我们的非自回归模型在可控性和多样性方面优于自回归基线，并且还显着提高了长字幕的解码效率。我们的代码和模型在\textcolor{magenta}{\texttt{https://github.com/bearcatt/LaBERT}}上发布。
2020-07-19 cs.CL cs.CV cs.LG
Towards Controlled and Diverse Generation of Article Comments
Peking University（北京大学）；Baidu Inc.（百度公司）
近年来，许多研究都集中在自动文章评论上。然而，以往的研究很少关注评论的可控生成。此外，他们往往会产生沉闷和平庸的评论，这进一步限制了他们的实际应用。在本文中，我们通过构建一个系统，可以显式地控制所生成的评论的情感，从而朝着可控的评论生成迈出了第一步。为了实现这一点，我们将每种情感类别与嵌入相关联，并采用动态融合机制将该嵌入融合到解码器中。进一步采用情感级情感分类器来更好地引导模型生成表达期望情感的评论。为了增加生成的评论的多样性，我们提出了一种分层复制机制，允许我们的模型直接从输入文章中复制单词。我们还提出了一个限制性的束搜索（RBS）算法，以增加句子内的多样性。实验结果表明，我们的模型可以生成信息丰富和多样化的评论，表达所需的情感，具有较高的准确性。
2021-07-25 cs.CL
PromptTTS: Controllable Text-to-Speech with Text Descriptions
Microsoft（微软）
使用文本描述作为提示来指导文本或图像的生成（例如，GPT-3或DALLE-2）最近引起了广泛的关注。除了文本和图像生成，在这项工作中，我们探讨了利用文本描述来指导语音合成的可能性。因此，我们开发了一个文本转语音（TTS）系统（简称为TTS），需要一个提示与风格和内容的描述作为输入，合成相应的语音。具体地说，语音合成TTS包括一个风格编码器和一个内容编码器，用于从提示中提取相应的表示，以及一个语音解码器，用于根据提取的风格和内容表示合成语音。与要求用户具有声学知识以理解诸如韵律和音高之类的风格因素的可控TTS中的先前工作相比，可控TTS更用户友好，因为文本描述是表达语音风格的更自然的方式（例如，“一位女士慢慢地对她的朋友耳语”）。鉴于没有带有提示的TTS数据集，为了对TTS任务进行基准测试，我们构建并发布了一个包含样式和内容信息以及相应语音的提示的数据集。实验结果表明，该方法能够生成风格控制精确、语音质量高的语音.音频样本和我们的数据集是公开的。
2022-11-22 cs.CL cs.LG cs.SD
K/V-Cache Interventions Dissociate Representation Alignment from Persona Expression in Decoder-Only Language Models
本研究通过K/V缓存干预在Llama-3.1-8B上发现表示对齐与人格表达解耦，中层替换兼顾表达与多样性，位置扰动抑制表达，揭示轨迹级移植机制。
2026-09-11 cs.CL
Future Sight: Dynamic Story Generation with Large Pretrained Language Models
University of Waterloo（滑铁卢大学）
深度学习研究的最新进展，如Transformers，增强了自动代理生成类似于人类所写的创造性文本的能力。默认情况下，Transformer解码器只能根据先前生成的文本生成新文本。在任何位置的候选标记的输出分布的条件下，先前选择的标记使用自我注意力机制，以模仿自回归的属性。这在本质上限制了诸如可控故事生成之类的任务，在可控故事生成中，在编写故事时可能需要以未来的情节事件为条件。在这项工作中，我们提出了Future Sight，这是一种在未来条件反射任务上微调预训练生成Transformer的方法。Transformer解码器通常通过自我注意力的方式预先训练完成上下文的任务，一次一个令牌。Future Sight还使解码器能够关注编码的未来情节事件。这促使解码器以逻辑上以所提供的未来结束的方式扩展上下文。在推理过程中，未来的情节事件可以由人类作者编写，以引导叙事在某个方向上生成。我们评估我们的方法的功效与人类评估的故事生成任务。
2022-12-20 cs.AI cs.CL cs.LG
Predict and Use Latent Patterns for Short-Text Conversation
Academia Sinica（中央研究院）
目前，许多神经网络模型在Chit-chat环境中取得了令人满意的性能。它们中的大多数依赖于编码器来理解帖子和解码器来生成响应。在没有指定语义的情况下，模型缺乏对响应的细粒度控制，因为帖子和响应之间的语义映射隐藏在端到端方式中。以前的一些作品利用采样的潜在的话作为一个可控的语义形式，以驱动周围的工作产生的反应，但很少有作品试图使用更复杂的语义模式来指导一代。在本文中，我们建议使用更详细的语义形式，包括潜在的反应和部分的语音序列从相应的分布采样，作为可控的语义来指导生成。我们的研究结果表明，更丰富的语义不仅能够提供信息丰富和多样化的反应，但也提高了整体性能的反应质量，包括流畅性和连贯性。
2020-12-07 cs.AI cs.CL
FastSpeech: Fast, Robust and Controllable Text to Speech
Zhejiang University（浙江大学）；Microsoft Research（微软研究院）；Microsoft STC Asia（微软亚洲互联网工程院）
基于神经网络的端到端文语转换（TTS）技术显著提高了合成语音的质量。突出的方法（例如，Tacotron 2）通常首先从文本生成梅尔频谱图，然后使用声码器（如WaveNet）从梅尔频谱图合成语音。与传统的拼接和统计参数方法相比，基于神经网络的端到端模型的推理速度慢，并且合成的语音通常不鲁棒（即，某些单词被跳过或重复）和缺乏可控性（语音速度或韵律控制）。在这项工作中，我们提出了一种新的前馈网络的基础上Transformer的并行生成梅尔频谱的TTS。具体而言，我们提取注意力对齐从编码器-解码器为基础的教师模型音素持续时间预测，这是由长度调节器扩展源音素序列，以匹配的目标梅尔频谱图序列的长度并行梅尔频谱图生成。在LJSpeech数据集上的实验表明，我们的并行模型在语音质量方面与自回归模型相匹配，几乎消除了特别困难情况下的单词跳过和重复问题，并且可以平滑地调整语音速度。最重要的是，与自回归Transformer TTS相比，我们的模型将梅尔频谱图生成速度提高了270倍，端到端语音合成速度提高了38倍。因此，我们称我们的模型为FastSpeech。
2019-11-20 cs.CL cs.LG cs.SD
A Comparative Study of Light-weight Language Models for PII Masking and their Deployment for Real Conversational Texts
IOE, Pulchowk Campus（理工学院，普尔乔克校区）
本文比较了轻量级语言模型在PII遮蔽中的性能，发现Mistral在F1和召回率上表现更优，但T5在实时对话中更高效且可控。
2025-12-21 cs.CL
Generating Faithful Text From a Knowledge Graph with Noisy Reference Text
Monash University（莫纳什大学）；Bangladesh University of Engineering and Technology（孟加拉工程技术大学）
针对含噪参考文本易导致 KG-to-text 生成幻觉的问题，提出结合对比学习与可控生成的框架，提升并调控输出文本对知识图谱的忠实性。
2023-08-12 cs.AI cs.CL
Resource-Efficient Adaptation of Large Language Models for Text Embeddings via Prompt Engineering and Contrastive Fine-tuning
fortiss GmbH（fortiss公司）；School of Computation and Information Technology（计算与信息科技学院）
本研究通过提示工程与资源高效的对比微调，将大语言模型适配为文本嵌入模型，在MTEB英语聚类任务上取得有竞争力性能，并揭示微调提升语义压缩效果。
2025-09-24 cs.CL
Beyond Independent Labels: Schwartz-Geometry Decoding for Human Value Detection
PRHLT Research Center, Universitat Politècnica de València（PRHLT研究中心，瓦伦西亚理工大学）；School of Science, Engineering and Design, Universidad Europea de Valencia（科学、工程与设计学院，欧洲瓦伦西亚大学）；Valencian Graduate School and Research Network of Artificial Intelligence (ValgrAI)（瓦伦西亚人工智能研究生学院及研究网络）
研究人类价值检测问题，对比两种注入施瓦茨理论结构的方式，发现训练时几何感知目标增益有限，后验施瓦茨感知能量解码器可使标签集与连续统更一致且不影响宏观和微观F1值。
2026-07-07 cs.AI cs.CL cs.CY
MemLong: Memory-Augmented Retrieval for Long Text Modeling
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
MemLong通过外部检索器与细粒度可控检索注意力机制增强长上下文语言建模，在单个3090 GPU上将上下文长度从4k扩展到80k，并在多个基准上超越现有LLMs。
2024-08-30 cs.AI cs.CL
VoTSpeech: Decoupling Voice Design from Speech Generation in Instruction-Following TTS
Beijing University of Posts and Telecommunications（北京邮电大学）；Hello Group（Hello集团）
提出VoTSpeech模型，通过显式中间语音潜在变量分离语音设计与语音生成，在InstructTTSEval-ZH上表现出色，可实现可控语音合成。
2026-10-14 cs.CL cs.SD
Adaptive Decoding via Test-Time Policy Learning for Self-Improving Generation
UC San Diego（加州大学圣地亚哥分校）；Plastic Labs；IBM Research（IBM研究院）
本文提出基于强化学习的解码器采样器，通过在测试时调整采样参数提升生成质量，实验表明其在多个数据集上优于传统方法，且能稳定提升生成效果。
2026-03-19 cs.AI cs.CL
