マルチモーダル、プロンプト誘発型感情音声合成の統一フレームワーク

本研究は、テキスト、オーディオ、ビジュアルの複数のモダリティから得られる感情情報を統合し、感情を伴う高品質な音声合成を実現するフレームワークを提案する。