我们提出了 ReACT‑TTS，一个两阶段的对话语音生成框架。第一阶段利用听者在说话前 1 秒的面部表情序列，预测下一句的情感倾向和韵律特征；第二阶段将预测的情感/韵律信息注入到 Grad‑TTS 主干，实现端到端的语音合成。
在严格的二人对话 MELD 协议上，加入时间条件的模型在十个随机种子下的宏观 F1 和 VAD 一致性均显著高于仅使用文本的基线，而整体准确率几乎不变。消融实验表明，时间建模在所有视觉变体中表现最佳，且不需要显式的早‑晚差异；正确的听者反应也优于循环不匹配的情况。
一次面向 20 位语音研究者的适配性调查显示，76% 的受访者更倾向于时间条件模型，9% 仍偏好文本模型，剩余 15% 无明显偏好。
代码已开源于 https://github.com/CYJ1/ReACT-TTS_public。
点评：实验结果表明，听者的即时面部动态可以作为对话响应规划的有益补充，为情感感知 TTS 提供了新的视觉线索。