给语音助手写台词时，你还可以顺手加一句舞台指示：这里更激动，那里叹口气。Lure-TTS 是一个 600M 参数的 TTS（文本转语音）模型，主打把情绪、强度、笑声等行内标签直接写进文本，让模型既读出台词，也照着提示“表演”。开发者还加入了声音克隆，也就是根据参考录音模仿说话者音色。
最值得注意的是它对速度的处理。开发者称，模型原先预测语音编码要运行 15 遍，Lure-Turbo 将其压到 3 遍，因此能以四倍实时速度生成语音——通常相当于约 0.25 秒算出 1 秒音频。其报告的实时因子（生成耗时与音频时长之比）为 0.14，训练总成本低于 200 美元。不过，这些速度、音色相似度和成本数字均来自开发者自述；长句中的细粒度标签和情绪切换也仍在改进。