电气工程与系统科学 > 音频与语音处理
[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
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。
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.