Fugu-MT 論文翻訳(概要): Voice Cloning: Comprehensive Survey

論文の概要: Voice Cloning: Comprehensive Survey

arxiv url: http://arxiv.org/abs/2505.00579v1
Date: Thu, 01 May 2025 15:10:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:55.344525
Title: Voice Cloning: Comprehensive Survey
Title（参考訳）: 音声のクローン: 総合的な調査
Authors: Hussam Azzuni, Abdulmotaleb El Saddik,
Abstract要約: 本稿では,音声クローニングのための標準化された用語を確立することを目的とする。基本概念としての話者適応をカバーし、少数ショット、ゼロショット、多言語TSといったトピックを深く掘り下げる。
参考スコア（独自算出の注目度）: 4.482764897973996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Voice Cloning has rapidly advanced in today's digital world, with many researchers and corporations working to improve these algorithms for various applications. This article aims to establish a standardized terminology for voice cloning and explore its different variations. It will cover speaker adaptation as the fundamental concept and then delve deeper into topics such as few-shot, zero-shot, and multilingual TTS within that context. Finally, we will explore the evaluation metrics commonly used in voice cloning research and related datasets. This survey compiles the available voice cloning algorithms to encourage research toward its generation and detection to limit its misuse.
Abstract（参考訳）: 音声クローンは、今日のデジタル世界で急速に進歩し、多くの研究者や企業が様々なアプリケーションのためにこれらのアルゴリズムの改善に取り組んでいる。本稿は,音声のクローニングのための標準化された用語を確立し,その異なるバリエーションを探求することを目的とする。基本概念としての話者適応をカバーし、そのコンテキスト内の少数ショット、ゼロショット、多言語TSといったトピックを深く掘り下げる。最後に、音声クローン研究および関連するデータセットで一般的に使用される評価指標について検討する。本調査では、音声のクローン化アルゴリズムをコンパイルし、その誤用を抑えるため、その生成と検出に向けた研究を奨励する。

関連論文リスト

CLAIR-A: Leveraging Large Language Models to Judge Audio Captions [73.51087998971418]
機械生成オーディオキャプションの評価は、様々な要因を検討する必要がある複雑なタスクである。本稿では,大規模言語モデルのゼロショット機能を活用するシンプルで柔軟なCLAIR-Aを提案する。我々の評価では、CLAIR-Aは従来のメトリクスと比較して品質の人的判断を良く予測する。
論文参考訳（メタデータ） (2024-09-19T17:59:52Z)
Automating Thought of Search: A Journey Towards Soundness and Completeness [20.944440404347908]
大型言語モデル (LLMs) の定番の1つとして計画が残っている。 ToS(Thought of Search)は、計画上の問題を解決するループから人間を完全に取り除きます。評価されたすべての領域の様々な大きさのLLMを用いて、最小限のフィードバックで100%の精度を達成する。
論文参考訳（メタデータ） (2024-08-21T04:19:52Z)
The evaluation of a code-switched Sepedi-English automatic speech recognition system [0.0]
本稿では,セペディ・イングリッシュ方式の自動音声認識システムの評価について述べる。このエンドツーエンドシステムは、Sepedi Prompted Code Switching corpus と CTC アプローチを用いて開発された。しかし、このモデルは41.9%という最低のWERを生み出したが、セペディ文字のみを認識するという課題に直面した。
論文参考訳（メタデータ） (2024-03-11T15:11:28Z)
AdaCCD: Adaptive Semantic Contrasts Discovery Based Cross Lingual Adaptation for Code Clone Detection [69.79627042058048]
AdaCCDは、その言語でアノテーションを使わずに、新しい言語のクローンコードを検出する新しい言語間適応手法である。 5つのプログラミング言語からなる多言語コードクローン検出ベンチマークを構築し,AdaCCDの言語間適応性を評価する。
論文参考訳（メタデータ） (2023-11-13T12:20:48Z)
Speech collage: code-switched audio generation by collaging monolingual corpora [50.356820349870986]
Speech Collage は音声セグメントをスプライシングすることでモノリンガルコーパスからCSデータを合成する手法である。 2つのシナリオにおける音声認識における生成データの影響について検討する。
論文参考訳（メタデータ） (2023-09-27T14:17:53Z)
Automated Audio Captioning: an Overview of Recent Progress and New Challenges [56.98522404673527]
自動音声キャプションは、与えられた音声クリップの自然言語記述を生成することを目的とした、モーダル横断翻訳タスクである。本稿では、既存の様々なアプローチから評価指標やデータセットまで、自動音声キャプションにおけるコントリビューションの総合的なレビューを行う。
論文参考訳（メタデータ） (2022-05-12T08:36:35Z)
V2C: Visual Voice Cloning [55.55301826567474]
我々はVisual Voice Cloning (V2C) という新しいタスクを提案する。 V2Cは、参照音声によって特定された所望の音声と、参照ビデオによって特定された所望の感情の両方で、テキストの段落を音声に変換する。私たちのデータセットには、さまざまなジャンルをカバーする10,217本のアニメーション映画クリップが含まれています。
論文参考訳（メタデータ） (2021-11-25T03:35:18Z)
Meta-Voice: Fast few-shot style transfer for expressive voice cloning using meta learning [37.73490851004852]
テキスト音声合成(TTS)における音声クローンのための少数ショットスタイル転送の課題は、非常に限られた量の中立データを用いて、任意の音源話者の発話スタイルをターゲット話者の音声に転送することを目的としている。学習アルゴリズムは、数発の音声クローンと話者/韻律のアンタングルを同時に扱う必要があるため、これは非常に難しい作業である。本稿では,メタラーニングを用いた音声のクローン処理のための高速な数ショットスタイル転送手法を提案する。
論文参考訳（メタデータ） (2021-11-14T01:30:37Z)
Improve Cross-lingual Voice Cloning Using Low-quality Code-switched Data [11.18504333789534]
そこで本研究では,非対象話者からの低品質なコード切替データを用いて,対象話者に対する言語間音声のクローニングを実現することを提案する。実験により,提案手法は,自然性と話者の整合性の両面から,目標音声における高品質なコードスイッチ音声を生成することができることがわかった。
論文参考訳（メタデータ） (2021-10-14T08:16:06Z)
Acoustic Word Embedding System for Code-Switching Query-by-example Spoken Term Detection [17.54377669932433]
本稿では,音声単語検出の例によるコードスイッチングクエリにディープ畳み込みニューラルネットワークを用いた音響単語埋め込みシステムを提案する。 1つの言語だけを使うのではなく、2つの言語でオーディオデータを組み合わせてトレーニングします。
論文参考訳（メタデータ） (2020-05-24T15:27:56Z)
Continuous speech separation: dataset and analysis [52.10378896407332]
自然な会話では、音声信号は連続的であり、重複成分と重複成分の両方を含む。本稿では,連続音声分離アルゴリズムを評価するためのデータセットとプロトコルについて述べる。
論文参考訳（メタデータ） (2020-01-30T18:01:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。