通过风格扩散TTS潜空间适配实现零样本人脸到语音合成

论文提出人脸到语音（F2S）框架，仅凭静态人脸图像预测并合成具有身份一致性的声音。方法使用轻量Face Adapter和人脸编码器上层软调优，将视觉特征映射到冻结的StyleTTS 2风格空间。在LRS3未见身份上，UTMOS达到3.7至4.0，并展示了跨英语训练到西班牙语生成的能力。