Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.02849

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.02849 (eess)
[提交于 2025年8月4日 ]

标题: SecoustiCodec:跨模态对齐的流式单编码本语音编解码器

标题: SecoustiCodec: Cross-Modal Aligned Streaming Single-Codecbook Speech Codec

Authors:Chunyu Qiang, Haoyu Wang, Cheng Gong, Tianrui Wang, Ruibo Fu, Tao Wang, Ruilong Chen, Jiangyan Yi, Zhengqi Wen, Chen Zhang, Longbiao Wang, Jianwu Dang, Jianhua Tao
摘要: 语音编解码器在统一语音和文本语言模型中起到关键的桥梁作用。 现有的编解码方法在语义编码方面面临一些挑战,例如残留的副语言信息(如音色、情感)、语义完整性不足、重建能力有限以及缺乏对流式传输的支持。 为了解决这些挑战,我们提出了SecoustiCodec,这是一种跨模态对齐的低比特率流式语音编解码器,在单个代码本空间中分离语义和副语言信息。 为了确保语义完整性和重建保真度,引入了副语言编码,以弥合语义编码和声学编码之间的信息差距。 提出了一种基于VAE(变分自编码器)和FSQ(有限标量量化)的仅语义高效量化方法。 这种方法缓解了标记的长尾分布问题,同时保持了高代码本利用率。 提出了一种基于对比学习的语义解缠方法,该方法在联合多模态帧级空间中对齐文本和语音,有效从语义编码中去除副语言信息。 提出了一种声学约束的多阶段优化策略,以确保鲁棒和稳定的收敛。 图~\ref{fig:pesq_kbps_below_2kbps}显示SecoustiCodec在0.27/1 kbps时实现了最先进的重建质量(PESQ)1.77/2.58。 SecoustiCodec的代码和模型权重将在同行评审过程完成后开源。 我们已经开源了SecoustiCodec的演示、代码和模型权重。
摘要: Speech codecs serve as a crucial bridge in unifying speech and text language models. Existing codec methods face several challenges in semantic encoding, such as residual paralinguistic information (e.g., timbre, emotion), insufficient semantic completeness, limited reconstruction capability, and lack of support for streaming. To address these challenges, we propose SecoustiCodec, a cross-modal aligned low-bitrate streaming speech codec that disentangles semantic and paralinguistic information in a single-codebook space. To ensure semantic completeness and reconstruction fidelity, paralinguistic encoding is introduced to bridge the information gap between semantic and acoustic encoding. A semantic-only efficient quantization method based on VAE (Variational Autoencoder) and FSQ (Finite Scalar Quantization) is proposed. This approach alleviates the long-tail distribution problem of tokens while maintaining high codebook utilization. A semantic disentanglement method based on contrastive learning is proposed, which aligns text and speech in a joint multimodal frame-level space, effectively removing paralinguistic information from semantic encoding. An acoustic-constrained multi-stage optimization strategy is proposed to ensure robust and stable convergence. Figure~\ref{fig:pesq_kbps_below_2kbps} shows SecoustiCodec achieves SOTA (state-of-the-art) reconstruction quality (PESQ) of 1.77/2.58 at 0.27/1 kbps. The code and model weights for SecoustiCodec will be open-sourced upon the completion of the peer-review process. We've open-sourced SecoustiCodec's demo, code, and model weights.
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI); 计算与语言 (cs.CL); 声音 (cs.SD)
引用方式: arXiv:2508.02849 [eess.AS]
  (或者 arXiv:2508.02849v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.02849
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Chunyu Qiang [查看电子邮件]
[v1] 星期一, 2025 年 8 月 4 日 19:22:14 UTC (2,223 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs.AI
cs.CL
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号