DEFINE：用示例音频解耦说话人身份与口音的零样本 TTS 框架

DEFINE 是一个端到端零样本 TTS 框架，通过分别以说话人身份和口音示例音频作为条件，将两者解耦，并可在推理时用单一引导权重连续控制口音强度而无需重训练。它基于 F5-TTS 与 LoRA 适配，在已见口音上把口音探测准确率从 6.5% 提升到 19.6%，单个模型在已见和域外口音上可媲美双模型 TTS-语音转换级联，同时说话人相似度更高。