关于TTS文本的变量

[5m1le71ger]

比如有下面这一段话： 您的小型汽车xxxxxx被交通技术监控设备记录，请立即驶离。 x的部分是车牌号，是动态的变量，其余部分是固定不变的。

如果直接转换这句话，会因为长句而导致延时太长。 一般的做法是，固定不变的部分先生成并保存好，动态的部分由TTS即时转换，然后依次播放这三部分的语音文件。 但是这又会导致拼接的部分放音不流畅。

有没有一种可能，将“您的小型汽车”的生成的语音文件保存下来后，同时也将其内部的上下文数据也保存下来，当需要即时生成车牌号语音的时候，就根据这上下文数据进行生成，这样子语音就能流畅起来了。

[huakunyang]

蛮有意思的想法，基于RNN的模型应该可以作到这点，但目前的方案基于vits，地层使用transformer/attention，所以其实没有时间序列上的中间状态。