电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月5日
]
标题: 逐层分析多语言合成语音的质量
标题: Layer-wise Analysis for Quality of Multilingual Synthesized Speech
摘要: 虽然监督质量预测器在合成语音中已显示出与人类评分的强相关性,但它们对领域内标记训练数据的要求阻碍了其在新领域的泛化能力。 基于预训练自监督学习(SSL)模型和自动语音识别(ASR)模型的无监督方法是一种有前景的替代方案;然而,关于这些模型如何编码语音质量的信息了解甚少。 为了更好地理解不同方面的语音质量在多语言环境中的编码方式,我们基于参考建模进行了多语言预训练语音模型的逐层分析。 我们发现,从早期SSL层提取的特征与合成语音的人类评分有关,而ASR模型的后期层可以预测非神经系统的质量以及可懂度。 我们还证明了使用匹配良好的参考数据的重要性。
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.