論文の概要: Self-EmoQ: Plutchik-Guided Value-based Planning to Drive Streaming Emotional TTS

• arxiv url: http://arxiv.org/abs/2606.09837v1
• Date: Tue, 21 Apr 2026 06:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.792524
• Title: Self-EmoQ: Plutchik-Guided Value-based Planning to Drive Streaming Emotional TTS
• Title（参考訳）: Self-EmoQ:Plutchik-Guided Value-based Planning to Drive Streaming Emotional TTS
• Authors: Yue Zhao, Hongyan Li, Yong Chen, Luo Ji,
• Abstract要約: 現在のシステムは、ストリーミングテキスト音声合成(TTS)を駆動する自己感情決定機構が欠如している。 本稿では,テキスト生成に先立って感情を決定するための感情計画フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.459312281626728
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emotional interaction is increasingly crucial for conversational AI, yet current systems lack a self-emotion determination mechanism to drive the streaming text-to-speech (TTS) synthesis. We propose an emotion-planning framework that determines the emotion prior to the textual generation, grounding the downstream emotional TTS in a streaming manner. The framework is implemented by a plug-and-play LLM module, initialized from pretrained LLMs, and trained by reinforcement learning (RL) with emotions as the actions. A hybrid reward is employed which combines imitation signals with theory-driven scoring, in which the theory of Plutchik's wheel of emotions is adopted. By experiments on DailyDialog, EmoryNLP, IMEOCAP, and MELD, our method outperforms prompting and finetuning baselines on both emotion determination and response quality. We finally implement an entire streaming pipeline for real-time deployment, with the speech quality confirming the framework's emotional alignment, contextual coherence, and expressive fluency. Codes, cases, and demos are available in https://sixingdeguo.github.io/EmoQ-page/.
• Abstract（参考訳）: 感情の相互作用は、会話型AIにとってますます重要になっているが、現在のシステムは、ストリーミングテキスト音声(TTS)合成を駆動する自己感情決定メカニズムが欠如している。 本稿では,テキスト生成に先立って感情を決定するための感情計画フレームワークを提案する。 このフレームワークは、LLMモジュールによって実装され、事前訓練されたLLMから初期化され、感情をアクションとして強化学習(RL)によって訓練される。 模倣信号と理論駆動のスコアリングを組み合わせたハイブリッド報酬が採用され、プリュッチクの感情の車輪の理論が採用されている。 DailyDialog, EmoryNLP, IMEOCAP, およびMELDの実験により, 感情決定と応答品質の両面で, 素質の促進と微調整に優れることがわかった。 最終的に、リアルタイムデプロイメントのためのストリーミングパイプライン全体を実装し、フレームワークの感情的アライメント、コンテキストコヒーレンス、表現力のある流速を確認する音声品質を実現しました。 コード、ケース、デモはhttps://sixingdeguo.github.io/EmoQ-page/.comで公開されている。

関連論文リスト

• A Unified Spoken Language Model with Injected Emotional-Attribution Thinking for Human-like Interaction [50.05919688888947]
  本稿では,感情的インテリジェンスのための統一言語モデルを提案する。 IEATは、ユーザーの感情状態とその根本原因をモデルの内部推論プロセスに組み込んでおり、明示的な監督として扱われるのではなく、感情を意識した推論を内部化することができる。 HumDial(Human-like Spoken Dialogue Systems Challenge)Emotional Intelligenceベンチマークの実験は、提案手法が感情軌道モデリング、感情的推論、共感的応答生成にまたがるトップランクのパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-08T14:07:30Z)
• MUSE: Manipulating Unified Framework for Synthesizing Emotions in Images via Test-Time Optimization [37.71704315894968]
  現在の画像感情合成(IES)は、人工的に生成と編集のタスクにアプローチする。 MUSEは感情生成と編集の両方が可能な最初の統合フレームワークである。
  論文  参考訳（メタデータ） (2025-11-26T04:39:25Z)
• Beyond Global Emotion: Fine-Grained Emotional Speech Synthesis with Dynamic Word-Level Modulation [27.668177917370144]
  E-TTS(Emotional text-to-speech)は、自然で信頼性の高い人間とコンピュータのインタラクションを生み出す中心である。 LLMベースのTSのための微粒な感情モデリングフレームワークであるEmo-FiLMを紹介する。 Emo-FiLMは、感情2vecから単語にフレームレベルの特徴を合わせ、単語レベルの感情アノテーションを得る。 テキストの埋め込みを直接変調することで、単語レベルの感情制御を可能にする。
  論文  参考訳（メタデータ） (2025-09-20T14:26:15Z)
• EmoCAST: Emotional Talking Portrait via Emotive Text Description [56.42674612728354]
  EmoCASTは、正確なテキスト駆動感情合成のための拡散ベースのフレームワークである。 外観モデリングでは、感情的なプロンプトはテキスト誘導の分離された感情的モジュールを通して統合される。 EmoCASTは、現実的で感情的に表現され、音声同期されたトーキーヘッドビデオを生成する、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-08-28T10:02:06Z)
• UDDETTS: Unifying Discrete and Dimensional Emotions for Controllable Emotional Text-to-Speech [61.989360995528905]
  制御可能な感情的TTSのための離散的感情と次元的感情を統一する普遍的なフレームワークであるUDDETTSを提案する。 このモデルは、次元的感情記述のための解釈可能なArousal-Dominance-Valence(ADV)空間を導入し、離散的な感情ラベルまたは非線形に定量化されたADV値によって駆動される感情制御をサポートする。 実験の結果, UDDETTSは3次元の線形感情制御を実現し, エンドツーエンドの感情音声合成能力に優れていた。
  論文  参考訳（メタデータ） (2025-05-15T12:57:19Z)
• Attention-based Interactive Disentangling Network for Instance-level Emotional Voice Conversion [81.1492897350032]
  感情音声変換(Emotional Voice Conversion)は、非感情成分を保存しながら、与えられた感情に応じて音声を操作することを目的とする。 本稿では,音声変換にインスタンスワイドな感情知識を活用する,意図に基づく対話型ディスタングネットワーク(AINN)を提案する。
  論文  参考訳（メタデータ） (2023-12-29T08:06:45Z)
• ZET-Speech: Zero-shot adaptive Emotion-controllable Text-to-Speech Synthesis with Diffusion and Style-based Models [83.07390037152963]
  ZET-Speech はゼロショット適応型 TTS モデルである。 ユーザは、短い中性音声セグメントとターゲットの感情ラベルのみを使用して、任意の話者の感情音声を合成することができる。 実験の結果,ZET-Speechは自然音声と感情音声の合成に成功していることがわかった。
  論文  参考訳（メタデータ） (2023-05-23T08:52:00Z)
• Seen and Unseen emotional style transfer for voice conversion with a new emotional speech dataset [84.53659233967225]
  感情的音声変換は、言語内容と話者のアイデンティティを保ちながら、音声中の感情的韻律を変換することを目的としている。 可変自動符号化ワッサーシュタイン生成対向ネットワーク(VAW-GAN)に基づく新しいフレームワークを提案する。 提案するフレームワークは,ベースラインフレームワークを一貫して上回り,優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2020-10-28T07:16:18Z)

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。