电气工程与系统科学 > 音频与语音处理
[提交于 2025年6月26日
]
标题: 编解码器滑液:通过动态帧率的神经语音编解码器时间冗余压缩
标题: CodecSlime: Temporal Redundancy Compression of Neural Speech Codec via Dynamic Frame Rate
摘要: 神经语音编解码器已被广泛用于音频压缩和各种下游任务。 当前主流的编解码器是固定帧率(FFR)的,它们为每个等长的片段分配相同数量的标记。 然而,语音在时间信息密度上本质上是不均匀的。 因此,许多标记被浪费在稳定状态段落上,比如长元音和静音。 为了解决这种不匹配,我们提出了CodecSlime,这是一种通过在神经语音编解码器上支持动态帧率(DFR)首次实现压缩时间冗余的插件式方法。 我们的方法是无监督的且与架构无关的,结合了两个关键创新,ScheDFR和Melt-and-Cool,分别用于适应推理和训练。 当集成到典型的VQ-GAN编解码器主干中并在40 Hz DFR($\approx$600 bps)下运行时,CodecSlime的重建WER相对于具有相同模型架构和类似比特率的传统FFR基线最多减少了46%,而其他指标也具有竞争力。 CodecSlime还能够在重建质量和比特率之间实现灵活的权衡:一个模型支持在多个帧率下进行推理,并且在相应的帧率下始终优于FFR模型。 音频样本可在https://acadarmeria.github.io/codecslime/获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.