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 > cs > arXiv:2509.01390

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2509.01390 (cs)
[提交于 2025年9月1日 ]

标题: 分析神经音频编码器的语言

标题: Analysing the Language of Neural Audio Codecs

Authors:Joonyong Park, Shinnosuke Takamichi, David M. Chan, Shunsuke Kando, Yuki Saito, Hiroshi Saruwatari
摘要: 本研究对神经音频编解码器(NACs)的统计和语言属性进行了比较分析。 我们研究了各种NAC模型生成的离散语音标记,考察它们是否遵循如齐夫定律和海普斯定律等语言统计规律,以及它们的熵和冗余度。 为了评估这些标记级别的属性如何与合成语音中的语义和声学保留相关,我们使用自动语音识别的错误率来评估可理解性,并使用UTMOS分数来评估质量。 我们的结果表明,NAC标记,特别是3-gram,表现出类似语言的统计模式。 此外,这些属性以及信息内容的度量被发现与语音识别和重合成任务中性能的提升有关。 这些发现为NAC标记序列的结构提供了见解,并有助于设计更有效的生成语音模型。
摘要: This study presents a comparative analysis of the statistical and linguistic properties of neural audio codecs (NACs). We investigate discrete speech tokens produced by various NAC models, examining their adherence to linguistic statistical laws such as Zipf's law and Heaps' law, as well as their entropy and redundancy. To assess how these token-level properties relate to semantic and acoustic preservation in synthesized speech, we evaluate intelligibility using error rates of automatic speech recognition, and quality using the UTMOS score. Our results reveal that NAC tokens, particularly 3-grams, exhibit language-like statistical patterns. Moreover, these properties, together with measures of information content, are found to correlate with improved performances in speech recognition and resynthesis tasks. These findings offer insights into the structure of NAC token sequences and inform the design of more effective generative speech models.
评论: 在2025年IEEE自动语音识别与理解研讨会(ASRU 2025)论文集中
主题: 计算与语言 (cs.CL) ; 音频与语音处理 (eess.AS)
引用方式: arXiv:2509.01390 [cs.CL]
  (或者 arXiv:2509.01390v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.01390
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Joonyong Park [查看电子邮件]
[v1] 星期一, 2025 年 9 月 1 日 11:36:33 UTC (1,416 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 | 2025-09
切换浏览方式为:
cs
cs.CL
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