用于音频生成的变换器的推理时间控制

一种用于合成具有期望的音频特征的音频声音的音频系统执行自回归生成音频变换器，所述自回归生成音频变换器被训练用于通过利用采用多头注意力的多个层处理输入来生成音频，并且使用定向推理时间干预（ITI）将多头注意力的至少一些头的至少一些输出推入针对期望的音频特征预先确定的方向。