Fugu-MT 論文翻訳(概要): Controllable Singing Style Conversion with Boundary-Aware Information Bottleneck

論文の概要: Controllable Singing Style Conversion with Boundary-Aware Information Bottleneck

arxiv url: http://arxiv.org/abs/2604.05526v1
Date: Tue, 07 Apr 2026 07:25:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.685365
Title: Controllable Singing Style Conversion with Boundary-Aware Information Bottleneck
Title（参考訳）: 境界認識型インフォメーションボトルネックによる可制御型歌唱スタイル変換
Abstract要約: 本稿ではS4チームのSinging Voice Conversion Challenge 2025(SVCC2025)への参加について述べる。提案システムは,話者の類似度と技術制御の競争力を維持しつつ,全ての応募者の中で最高の自然度性能を達成している。
参考スコア（独自算出の注目度）: 34.06598158444941
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the submission of the S4 team to the Singing Voice Conversion Challenge 2025 (SVCC2025)-a novel singing style conversion system that advances fine-grained style conversion and control within in-domain settings. To address the critical challenges of style leakage, dynamic rendering, and high-fidelity generation with limited data, we introduce three key innovations: a boundary-aware Whisper bottleneck that pools phoneme-span representations to suppress residual source style while preserving linguistic content; an explicit frame-level technique matrix, enhanced by targeted F0 processing during inference, for stable and distinct dynamic style rendering; and a perceptually motivated high-frequency band completion strategy that leverages an auxiliary standard 48kHz SVC model to augment the high-frequency spectrum, thereby overcoming data scarcity without overfitting. In the official SVCC2025 subjective evaluation, our system achieves the best naturalness performance among all submissions while maintaining competitive results in speaker similarity and technique control, despite using significantly less extra singing data than other top-performing systems. Audio samples are available online.
Abstract（参考訳）: 本稿では,S4チームのSinging Voice Conversion Challenge 2025(SVCC2025)への参加について述べる。音素スパン表現をプールし、言語内容の保存中に残留音源スタイルを抑えるバウンダリ・アウェア・ウィスパー・ボトルネック、推論中にターゲットF0処理によって強化された明示的なフレームレベル・テクニック・マトリックス、高周波数帯域を増大させる補助標準48kHz SVCモデルを活用する知覚的に動機付けられた高周波数帯域補完戦略の3つの重要な課題に対処する。 SVCC2025の主観的評価では,他のトップパフォーマンスシステムよりもはるかに少ない歌唱データを使用しながら,話者類似性や技術制御の競争力を保ちながら,全ての投稿において最高の自然度性能を達成している。オーディオサンプルはオンラインで入手できる。

関連論文リスト

DAVE: A Decoupled Audio-Visual Enhancement Framework for Real-World Speech Separation [4.041253468990907]
実世界の音声分離のための分離型音声視覚強調フレームワークであるDAVEについて述べる。データ不足問題に対処するため,公開ミーティングコーパスから生成した219,411個の混合物を混合した大規模トレーニングコーパスであるDAVE-Corpusを構築した。さらに,シーンルーティング,GANに基づくデノナイジング,大音量正規化を非参照パーティション内でのみ適用可能な,認証された選択的拡張チェーンを開発した。
論文参考訳（メタデータ） (2026-08-10T08:41:28Z)
CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents [53.73961877379327]
CuteTTSはコンパクトな連続自己回帰型TSシステムである。意味的に整列した因果性VAE潜伏剤とパッチレベルの自己回帰、明示的な話者条件付け、双方向のフローマッチングヘッドを組み合わせる。
論文参考訳（メタデータ） (2026-08-09T11:10:20Z)
UniCSG: Unified High-Fidelity Content-Constrained Style-Driven Generation via Staged Semantic and Frequency Disentanglement [13.265643008768825]
DiTベースの拡散モデルは、しばしばコンテンツスタイルの絡み合いに悩まされ、参照コンテンツリークと不安定な生成を引き起こす。テキスト誘導と参照誘導の両方でコンテント制約のあるスタイル駆動型生成のための統合フレームワークUniCSGを提案する。
論文参考訳（メタデータ） (2026-04-20T05:59:20Z)
X-VC: Zero-shot Streaming Voice Conversion in Codec Space [68.11390597559101]
X-VCはゼロショットストリーミングVCシステムであり、事前訓練されたニューラルネットワークの潜在空間でワンステップ変換を行う。 X-VCは、英語と中国語の両方で最高のストリーミングWERを達成する。
論文参考訳（メタデータ） (2026-04-14T08:42:10Z)
DiTSinger: Scaling Singing Voice Synthesis with Diffusion Transformer and Implicit Alignment [13.149605745750245]
人間の歌声のコンパクトなシードセットは、固定されたメロディと多様な歌詞を組み合わせて構築され、メロディ固有のモデルは500時間以上の中国語の歌唱データを合成するように訓練されている。そこで我々は, 深度, 幅, 解像度を体系的に拡張した拡散変換器 DiTSinger を提案する。
論文参考訳（メタデータ） (2025-10-10T05:39:45Z)
Performance improvement of spatial semantic segmentation with enriched audio features and agent-based error correction for DCASE 2025 Challenge Task 4 [2.68085089595424]
本報告では,DCASE 2025 Challengeの第4タスクの提出システムについて述べる。メルスペクトル機能から抽出した埋め込み機能に、追加のオーディオ機能が含まれている。次に、S5システムによって処理された出力にエージェントベースのラベル補正システムを適用する。
論文参考訳（メタデータ） (2025-06-26T12:27:52Z)
AVadCLIP: Audio-Visual Collaboration for Robust Video Anomaly Detection [57.649223695021114]
本稿では,ロバストなビデオ異常検出に音声と視覚の協調を利用する,弱教師付きフレームワークを提案する。本フレームワークは,複数のベンチマークにおいて優れた性能を示し,オーディオ統合により異常検出精度が大幅に向上する。
論文参考訳（メタデータ） (2025-04-06T13:59:16Z)
Homogeneous Speaker Features for On-the-Fly Dysarthric and Elderly Speaker Adaptation [71.31331402404662]
本稿では, 変形性関節症と高齢者の話者レベルの特徴を学習するための2つの新しいデータ効率手法を提案する。話者規則化スペクトルベース埋め込み-SBE特徴は、特別な正規化項を利用して適応における話者特徴の均一性を強制する。テスト時間適応において、話者レベルのデータ量に敏感であることが示されるVR-LH機能に規定されている特徴ベースの学習隠れユニットコントリビューション(f-LHUC)。
論文参考訳（メタデータ） (2024-07-08T18:20:24Z)
MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
論文参考訳（メタデータ） (2024-01-07T08:59:32Z)
ConsistencyTTA: Accelerating Diffusion-Based Text-to-Audio Generation with Consistency Distillation [21.335983674309475]
拡散モデルは、世代毎の根底にあるデノナイジングネットワークへのクエリ数が過度に多いため、遅い推論に悩まされる。本稿では,1つの非自己回帰型ネットワーククエリのみを必要とするフレームワークであるConsistencyTTAを紹介する。そこで我々は「CFG対応潜時整合モデル」を提案し, 整合性生成を潜時空間に適応させる。
論文参考訳（メタデータ） (2023-09-19T16:36:33Z)
Cross-Speaker Emotion Transfer for Low-Resource Text-to-Speech Using Non-Parallel Voice Conversion with Pitch-Shift Data Augmentation [19.807274303199755]
本稿では,ピッチシフトとVC技術を組み合わせた新しいデータ拡張手法を提案する。ピッチシフトデータ拡張は様々なピッチダイナミクスのカバレッジを可能にするため、VCモデルとTSモデルのトレーニングを大幅に安定化させる。提案手法を用いたFastSpeech 2 ベースの感情的 TTS システムでは,従来の方法に比べて自然性や感情的類似性が向上した。
論文参考訳（メタデータ） (2022-04-21T11:03:37Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。