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:2508.04996v2

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.04996v2 (eess)
[提交于 2025年8月7日 (v1) ,最后修订 2025年8月8日 (此版本, v2)]

标题: REF-VC:具有扩散变压器的鲁棒、表达和快速零样本语音转换

标题: REF-VC: Robust, Expressive and Fast Zero-Shot Voice Conversion with Diffusion Transformers

Authors:Yuepeng Jiang, Ziqian Ning, Shuai Wang, Chengjia Wang, Mengxiao Bi, Pengcheng Zhu, Zhonghua Fu, Lei Xie
摘要: 在现实世界的语音转换应用中,源语音中的环境噪声和用户对富有表现力输出的需求构成了关键挑战。 基于传统ASR的方法确保了噪声鲁棒性,但抑制了韵律的丰富性,而基于SSL的模型提高了表现力,但存在音色泄漏和噪声敏感的问题。 本文提出了REF-VC,一种具有噪声鲁棒性的富有表现力的语音转换系统。 主要创新包括:(1) 一种随机擦除策略,以减轻SSL特征中固有的信息冗余,提高噪声鲁棒性和表现力;(2) 受E2TTS启发的隐式对齐,以抑制非必要特征的重建;(3) 集成快捷模型以加速流匹配推理,显著减少到4步。 实验结果表明,REF-VC在噪声集的零样本场景中优于Seed-VC等基线方法,同时在干净集上与Seed-VC的表现相当。 此外,REF-VC可以在一个模型中兼容歌唱语音转换。
摘要: In real-world voice conversion applications, environmental noise in source speech and user demands for expressive output pose critical challenges. Traditional ASR-based methods ensure noise robustness but suppress prosody richness, while SSL-based models improve expressiveness but suffer from timbre leakage and noise sensitivity. This paper proposes REF-VC, a noise-robust expressive voice conversion system. Key innovations include: (1) A random erasing strategy to mitigate the information redundancy inherent in SSL features, enhancing noise robustness and expressiveness; (2) Implicit alignment inspired by E2TTS to suppress non-essential feature reconstruction; (3) Integration of Shortcut Models to accelerate flow matching inference, significantly reducing to 4 steps. Experimental results demonstrate that REF-VC outperforms baselines such as Seed-VC in zero-shot scenarios on the noisy set, while also performing comparably to Seed-VC on the clean set. In addition, REF-VC can be compatible with singing voice conversion within one model.
主题: 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.04996 [eess.AS]
  (或者 arXiv:2508.04996v2 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.04996
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yuepeng Jiang [查看电子邮件]
[v1] 星期四, 2025 年 8 月 7 日 03:08:49 UTC (1,715 KB)
[v2] 星期五, 2025 年 8 月 8 日 01:59:26 UTC (1,715 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
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
eess

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