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:2509.04830

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.04830 (eess)
[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

Authors:Erica Cooper, Takuma Okamoto, Yamato Ohtani, Tomoki Toda, Hisashi Kawai
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。
摘要: While supervised quality predictors for synthesized speech have demonstrated strong correlations with human ratings, their requirement for in-domain labeled training data hinders their generalization ability to new domains. Unsupervised approaches based on pretrained self-supervised learning (SSL) based models and automatic speech recognition (ASR) models are a promising alternative; however, little is known about how these models encode information about speech quality. Towards the goal of better understanding how different aspects of speech quality are encoded in a multilingual setting, we present a layer-wise analysis of multilingual pretrained speech models based on reference modeling. We find that features extracted from early SSL layers show correlations with human ratings of synthesized speech, and later layers of ASR models can predict quality of non-neural systems as well as intelligibility. We also demonstrate the importance of using well-matched reference data.
评论: 版权所有 2025 IEEE。个人使用此材料是允许的。对于所有其他用途,必须从 IEEE 获得许可,包括在任何当前或未来媒体中转载/重新发布此材料用于广告或促销目的,创作新的集体作品,出售或重新分发到服务器或列表,或在其他作品中重复使用本作品的任何受版权保护的部分。
主题: 音频与语音处理 (eess.AS) ; 声音 (cs.SD)
引用方式: arXiv:2509.04830 [eess.AS]
  (或者 arXiv:2509.04830v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.04830
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Erica Cooper [查看电子邮件]
[v1] 星期五, 2025 年 9 月 5 日 06:01:28 UTC (129 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.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
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