論文の概要: Vibrato Expression Control for Singing Voice Conversion with Improving Independent Control

• arxiv url: http://arxiv.org/abs/2606.17126v1
• Date: Mon, 15 Jun 2026 16:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.07705
• Title: Vibrato Expression Control for Singing Voice Conversion with Improving Independent Control
• Title（参考訳）: 独立制御の改良による歌声変換のためのビブラート表現制御
• Abstract要約: 我々は、歌唱スタイルの変換性能と制御性を改善するために、VibE-SVC2と呼ばれる歌唱音声変換フレームワークを導入する。 このモデルは、ピッチスタイルと音色スタイルの2種類の歌唱スタイルを制御する。 我々は,VibE-SVC2が2種類の歌唱スタイルを細粒度で独立的に制御し,既存の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 46.644955105516466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Singing style is a crucial aspect of a natural and expressive singing voice. Singers utilize singing styles to convey the feeling or emotion of the songs. Several works have been proposed to control singing style for making the more expressive singing voice. Recently, VibE-SVC successfully controls vibrato by predicting high-frequency F0 contour. In this paper, we introduce a singing voice conversion framework, called VibE-SVC2, to improve singing style conversion performance and controllability. The model offers control over two types of singing styles: a pitch style and a timbre style. For the pitch style, to resolve the pitch-energy entanglement issue that is unresolved in our previous work, we introduce a novel Energy Style Converter to address remaining style information in the energy contour. In addition, we propose a Zero-shot Pitch Style Converter, which mimics the pitch style of reference audio. To expand the controllability of the model, we propose vibrato rate scaling that is an independent control of vibrato extent, which is unavailable in VibE-SVC. For the timbre style, we extend the model to handle a variety of phonation styles. However, addressing specific styles such as vocal fry poses a challenge, as conventional F0 extraction often fails due to their inherent subharmonic characteristics, which degrades the conversion quality. To address this, we propose a novel Subharmonic Correction algorithm to refine the F0 contour for more natural timbre conversion. Through comprehensive objective and subjective evaluations, we demonstrate that VibE-SVC2 provides fine-grained, independent control over two types of singing styles, outperforming existing methods.
• Abstract（参考訳）: 歌唱スタイルは自然で表現力のある歌声の重要な側面である。 歌手は歌のスタイルを利用して、歌の感覚や感情を伝える。 より表現力のある歌声を作るための歌唱スタイルを制御するために、いくつかの作品が提案されている。 近年、VibE-SVCは高周波F0輪郭を予測してビブラート制御に成功した。 本稿では,歌唱スタイルの変換性能と制御性を向上させるために,VibE-SVC2と呼ばれる歌唱音声変換フレームワークを提案する。 このモデルは、ピッチスタイルと音色スタイルの2種類の歌唱スタイルを制御する。 ピッチスタイルでは,従来の研究では未解決であったピッチエネルギー絡みの問題を解決するために,エネルギー輪郭内の残形情報に対処する新しいエネルギースタイル変換器を導入する。 また,参照音声のピッチスタイルを模倣したZero-shot Pitch Style Converterを提案する。 モデルの可制御性を高めるために,ビブラート幅を独立に制御するビブラートレートスケーリングを提案する。 音色スタイルについては、様々な音調スタイルを扱うためにモデルを拡張します。 しかしながら、発声フライのような特定のスタイルに対処することは、変換品質を低下させる固有の低調波特性のため、従来のF0抽出が失敗することがしばしばあるため、課題となる。 そこで本研究では,F0の輪郭を改良し,より自然な音色変換を行うための新しいサブハーモニック補正アルゴリズムを提案する。 本研究では,VibE-SVC2が2種類の歌唱スタイルを細粒度で独立的に制御し,既存の手法より優れていることを示す。

関連論文リスト

• VibE-SVC: Vibrato Extraction with High-frequency F0 Contour for Singing Voice Conversion [44.37835658886064]
  VibESVCは、ヴィブラートを明示的に抽出し操作する制御可能な歌声変換モデルである。 実験の結果,VibE-SVCは話者の類似性を保ちながら歌唱スタイルを効果的に変換することがわかった。
  論文  参考訳（メタデータ） (2025-05-27T06:56:13Z)
• TCSinger: Zero-Shot Singing Voice Synthesis with Style Transfer and Multi-Level Style Control [58.96445085236971]
  スタイル転送とスタイル制御を備えたゼロショット歌唱音声合成(SVS)は、目に見えない音色とスタイルで高品質な歌唱音声を生成することを目的としている。 言語間音声および歌唱スタイル間のスタイル伝達のための,最初のゼロショットSVSモデルであるTCSingerを紹介する。
  論文  参考訳（メタデータ） (2024-09-24T11:18:09Z)
• Prompt-Singer: Controllable Singing-Voice-Synthesis with Natural Language Prompt [50.25271407721519]
  本稿では,歌手の性別,声域,音量を自然言語で制御できる最初のSVS手法であるPrompt-Singerを提案する。 我々は,マルチスケール階層を持つデコーダのみの変換器に基づくモデルアーキテクチャを採用し,レンジメロディデカップリングされたピッチ表現を設計する。 実験により,本モデルは良好な制御能力と音質が得られることが示された。
  論文  参考訳（メタデータ） (2024-03-18T13:39:05Z)
• StyleSinger: Style Transfer for Out-of-Domain Singing Voice Synthesis [63.18764165357298]
  ドメイン外歌唱音声合成(SVS)のためのスタイル転送は、目に見えないスタイルで高品質な歌唱音声を生成することに焦点を当てている。 StyleSingerは、ドメイン外参照音声サンプルのゼロショットスタイル転送のための最初の歌声合成モデルである。 ゼロショット・スタイル・トランスファーにおける評価は、StyleSingerが基準歌唱音声サンプルの音質と類似性の両方でベースライン・モデルより優れていることを不確実に証明している。
  論文  参考訳（メタデータ） (2023-12-17T15:26:16Z)
• Learning the Beauty in Songs: Neural Singing Voice Beautifier [69.21263011242907]
  我々は、新しいタスク、歌声美化(SVB)に興味を持っている。 アマチュア歌手の歌声を考えると、SVBは内容と声の音色を保ちながら、声のイントネーションと声のトーンを改善することを目的としている。 SVBタスクを解く最初の生成モデルであるNSVB(Neural Singing Voice Beautifier)を導入する。
  論文  参考訳（メタデータ） (2022-02-27T03:10:12Z)
• PPG-based singing voice conversion with adversarial representation learning [18.937609682084034]
  歌声変換は、歌唱内容とメロディを維持しながら、ある歌手の声を他の歌手の声に変換することを目的としている。 エンド・ツー・エンドのアーキテクチャを構築し、後部グラフを入力とし、メルスペクトログラムを生成する。 提案手法は, 自然性, メロディ, および音声類似性の観点から, 変換性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2020-10-28T08:03:27Z)

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。