Context-Adaptive Emotional Speech Synthesis via Feature Control in Multi-Turn Dialogue (ChinaMM 2026)
Este artículo propone un marco de trabajo adaptativo al contexto para la síntesis de voz emocional multiturno que aprovecha la memoria de diálogo histórica y una entrada conjunta bimodal de señales de voz y texto para predecir y controlar dinámicamente las características acústicas, superando así las limitaciones de los métodos tradicionales basados en transcripciones para lograr respuestas naturales y emocionalmente coherentes.