请问训练数据怎么组织的呢？

请问Instruct-tts训练时，样本是怎么组织文本输入的? 那些标注的特征，是用自然语言组织为训练prompt的，还是用结构化数据格式？
也就是训练数据是这样的？ “请用年轻男性的语音，愤怒的感情合成： XXXXXX”
还是这样？
"{emotion: 愤怒, gender:男性, age:青年} XXXX"
训练时的数据组织。