論文の概要: NVMOS: Non-Verbal Vocalization Quality Assessment in Speech

• arxiv url: http://arxiv.org/abs/2606.15888v1
• Date: Sun, 14 Jun 2026 16:18:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.928394
• Title: NVMOS: Non-Verbal Vocalization Quality Assessment in Speech
• Title（参考訳）: NVMOS: 音声における非言語音声品質評価
• Abstract要約: 非言語発声(NV)は感情や意図に対する重要な音響的手がかりである。 音声におけるNV事象の知覚的品質を確実に予測できる最初のモデルとして,NVMOSを提案する。
• 参考スコア（独自算出の注目度）: 30.08001426578417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-verbal vocalizations (NVs), such as laughter, sighs, and coughs, are important acoustic cues for emotion and intent. Existing speech quality assessment methods typically focus on overall naturalness, while non-verbal TTS evaluations mainly examine whether a target NV appears with the correct type and position. However, the perceptual quality of NV events themselves remains underexplored. To address this gap, we construct an NV-MOS dataset containing outputs from multiple NV-TTS systems and naturally occurring NV samples, with ratings collected from three acoustic experts on a perceptual quality scale. We further analyze audio-capable multimodal large language models such as Gemini and find clear inconsistencies between their scores and expert ratings. These results suggest that general-purpose multimodal models cannot reliably replace human judgments for NV quality assessment. We then propose NVMOS, to our knowledge the first model that can reliably predict the perceptual quality of NV events in speech. Experimental results show that, with a local NV-event focusing module, NVMOS reaches expert-level or stronger agreement with human MOS.
• Abstract（参考訳）: 非言語発声(NV)は、感情や意図に対する重要な音響的手がかりである。 既存の音声品質評価手法は、通常、全体的な自然性に焦点を当てるが、非言語的TTS評価は、ターゲットのNVが正しいタイプと位置で現れるかどうかを主に検討する。 しかし、NVイベント自体の知覚的品質は未解明のままである。 このギャップを解消するために,複数のNV-TTSシステムからの出力と自然発生NVサンプルを含むNV-MOSデータセットを構築する。 さらに,Geminiのような音声対応型マルチモーダル大言語モデルの解析を行い,評価値と評価値との矛盾点を明らかにした。 これらの結果から,NV品質評価において,汎用マルチモーダルモデルでは人間の判断を確実に置き換えることはできないことが示唆された。 そこで我々はNVMOSを提案し,音声におけるNV事象の知覚的品質を確実に予測できる最初のモデルを提案する。 実験により,NVMOSは局所的なNVイベント集束モジュールにより,専門家レベルあるいはヒトMOSとの強い合意に達することが示された。

関連論文リスト

• Preference Optimization for Non-Verbal Vocalization Synthesis [52.74077608175284]
  我々は,NV対応TTSの選好最適化について検討し,選好信号,選好ペア構築,DPOに基づく目的に着目した。 我々は、NVタグを別個の出力シンボルとして扱うことにより、NV対応文字誤り率(NV-CER)を定式化する。 18種類のNVタイプをカバーするEmilia-NVと拡張NV-Benchの実験は、異なる設計選択がNVの実現と語彙の忠実性にどのように影響するかを明らかにする。
  論文  参考訳（メタデータ） (2026-08-25T07:27:11Z)
• Speaker Identity in Non-Verbal Vocalizations: Conditional Distillation and Mixture of Experts Approach [70.31217233606066]
  10種類の非言語発声(NVV)を対象とした最初の系統的研究について述べる。 本研究では,Data2Vec の自己教師機能と ECAPA-TDNN を組み合わせたフレームワークを提案し,Mixture of Experts (MoE) モジュールと学習ドメイン認識ルーティングを併用した。 事前訓練された教師による音声入力に対する条件付き蒸留損失は音声合成精度を保ち、対照的な損失は音声-NVV領域ギャップを橋渡しする。
  論文  参考訳（メタデータ） (2026-06-19T08:32:07Z)
• NV-Bench: Benchmark of Nonverbal Vocalization Synthesis for Expressive Text-to-Speech Generation [21.15492410480184]
  NV-ベンチ(NV-Bench)は,NVを音響的アーティファクトではなく伝達作用として扱う機能分類に基礎を置いた最初のベンチマークである。 NV-Benchは、14のNVカテゴリでバランスの取れた1,651の多言語、単語内発話とペアの人間の参照音声からなる。
  論文  参考訳（メタデータ） (2026-03-16T14:35:52Z)
• AEQ-Bench: Measuring Empathy of Omni-Modal Large Models [55.722881748046895]
  AEQ-Benchは、Omni-modal large model(OLM)の2つのコア共感能力を評価するための新しいベンチマークである。 AEQ-Benchは、文脈特異性と音声のトーンに異なる2つの新しい設定を取り入れている。 言語的・パラ言語的な指標の総合的な評価は、OLMが音声出力能力で訓練された場合、一般的にテキストのみの出力を持つモデルよりも優れていたことを示している。
  論文  参考訳（メタデータ） (2026-01-15T15:39:50Z)
• SpeechQualityLLM: LLM-Based Multimodal Assessment of Speech Quality [2.1178416840822027]
  音声品質評価は電話、VoIP、ストリーミングシステムの中心であり、大量の劣化したオーディオを大規模に監視し、最適化する必要がある。 本稿では,音声エンコーダを言語モデルに結合し,テンプレートベースの質問応答ペアを用いてNISQAコーパスで学習するマルチモーダル音声品質質問応答システムであるSpeechQualityLLMを紹介する。 本システムでは,数値予測を解析し,標準回帰とランキングの指標を用いて評価するテキスト回答を生成する。
  論文  参考訳（メタデータ） (2025-12-09T04:39:50Z)
• MNV-17: A High-Quality Performative Mandarin Dataset for Nonverbal Vocalization Recognition in Speech [31.398302310523444]
  我々は、7.55時間のマンダリン音声データセットであるMNV-17を紹介する。 モデルベース検出に依存する既存のコーパスとは異なり、MNV-17の性能特性は高忠実で明瞭なNVインスタンスを保証する。 4つの主要なASRアーキテクチャでMNV-17をベンチマークし、意味転写とNV分類の併用性能を評価した。
  論文  参考訳（メタデータ） (2025-09-19T20:40:36Z)
• $C^2$AV-TSE: Context and Confidence-aware Audio Visual Target Speaker Extraction [80.57232374640911]
  我々はMask-And-Recover (MAR)と呼ばれるモデルに依存しない戦略を提案する。 MARは、モダリティ間およびモダリティ間コンテキスト相関を統合し、抽出モジュール内の大域的推論を可能にする。 各サンプルの難易度を向上するために, 精細信頼スコア(FCS)モデルを導入する。
  論文  参考訳（メタデータ） (2025-04-01T13:01:30Z)
• Investigating Content-Aware Neural Text-To-Speech MOS Prediction Using Prosodic and Linguistic Features [54.48824266041105]
  MOS予測ニューラルモデルに基づく自動合成音声評価の最先端手法について検討した。 MOS予測システムに付加的な入力として韻律的特徴と言語的特徴を含めることを提案する。 すべてのMOS予測システムは、クラウドソースされた自然性MOS評価を備えた、TSSのみのニューラルネットワークであるSOMOSでトレーニングされている。
  論文  参考訳（メタデータ） (2022-11-01T09:18:50Z)
• SOMOS: The Samsung Open MOS Dataset for the Evaluation of Neural Text-to-Speech Synthesis [50.236929707024245]
  SOMOSデータセットは、単にニューラルテキスト音声(TTS)サンプルからなる最初の大規模平均世論スコア(MOS)データセットである。 パブリックドメイン音声データセットであるLJ音声の合成発話20Kから成っている。
  論文  参考訳（メタデータ） (2022-04-06T18:45:20Z)
• HASA-net: A non-intrusive hearing-aid speech assessment network [52.83357278948373]
  本稿では,DNNに基づく聴覚支援音声評価ネットワーク(HASA-Net)を提案する。 我々の知る限り、HASA-Netは、DNNに基づく統合型非侵襲的補聴器モデルを用いて、品質とインテリジェンスの評価を取り入れた最初の研究である。 実験結果から,HASA-Netの予測音声品質と難聴度スコアは,2つのよく知られた難聴度評価指標と高い相関を示した。
  論文  参考訳（メタデータ） (2021-11-10T14:10:13Z)

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。