SwanTale：面向指令与零样本任务的统一多说话人语音与音频生成

SwanTale面向动画配音、音频剧、影视、游戏和播客等场景，统一支持自然语言指令生成与参考音频零样本生成。论文提出SwanData-Caption数据方案、SwanVAE、奖励条件质量控制、Engram、Unified MoE及GRPO后训练，重点增强多说话人表达、环境音效和复杂音频场景生成。