ReACT-TTS：依据听者面部反应规划对话语音
原文标题：Listen Before You Speak: Response Planning from Listener Facial Reactions for Conversational Speech Generation
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 ReACT-TTS 两阶段框架，利用回应前一秒的听者面部序列来规划下一句话的情绪与韵律。在 MELD 双人对话协议上，时序条件在十个随机种子下均优于纯文本条件，宏观 F1 与 VAD 一致性更高。20 位语音研究者的情境适配研究中，76% 的判断偏好时序方案，并接入 Grad-TTS 实现端到端语音合成。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ReACT-TTS 用听者前一秒面部序列规划下一句情绪韵律，76% 语音研究者偏好该方案
- •两阶段框架：先用回应前一秒的听者面部序列规划情绪与韵律，再合成语音
- •在 MELD 双人对话协议上，时序条件在十个随机种子下宏观 F1 与 VAD 一致性均优于纯文本条件，准确率基本持平
- •消融显示时序建模在视觉变体中最佳，显式早晚期差分不必要
- •20 位语音研究者中 76% 偏好时序方案，9% 偏好纯文本，15% 无偏好
- •已接入 Grad-TTS 骨干实现端到端语音合成，代码开源
为什么重要：把听者即时反应作为对话语音生成的显式条件，为更自然的交互式 TTS 提供可复现路径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。