零样本文本到语音(TTS)通常以一段较短的语音作为提示条件,该提示可传达说话人的音色,但仅能提供有限的、关于其韵律模式(如语调、节奏、重音等)的证据。本文提出“长提示零样本TTS”(Long-Prompt Zero-Shot TTS)这一新任务:在推理阶段使用较长的语音提示,从而在不针对目标说话人进行微调的前提下,准确复现其个性化的韵律特征。为此,我们构建了LP-TTS-Bench——一个双语基准测试集,涵盖37位说话人,总计包含63.95小时的提示语音和2,728条预留的测试语句。除语音可懂度与音色相似度外,LP-TTS-Bench还专门评估语音的时长节奏(timing)、重音分布(prominence)、语调轮廓(intonation),以及基于模型计算的多项韵律指标,从而实现对韵律复现能力的多维度、精细化评测。作为基线参考系统,我们设计了LPTTS模型:其分层式“长提示编码器”(Long-Prompt Encoder)可将长语音提示高效压缩为固定数量的连续韵律向量。实验结果表明,相较于短提示基线系统,LPTTS在多个韵律维度上均取得显著提升;整体性能随提示语音时长增加而持续改善,增益效应在提示时长约10分钟时趋于明显,更长的提示则带来边际收益递减,性能趋于饱和。

