論文の概要: EmoInstruct-TTS: Dual-Path Instruction-Guided Emotional Speech Synthesis

• arxiv url: http://arxiv.org/abs/2606.20650v1
• Date: Mon, 08 Jun 2026 06:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 20:36:35.099911
• Title: EmoInstruct-TTS: Dual-Path Instruction-Guided Emotional Speech Synthesis
• Title（参考訳）: Emo Instruct-TTS: Dual-Path Instruction-Guided Emotional Speech Synthesis
• Abstract要約: EmoInstruct-TTSは感情音声合成のためのデュアルパス命令誘導フレームワークである。 Emo2embedは48の感情状態をカバーする教師付き意味音響的感情埋め込みである。
• 参考スコア（独自算出の注目度）: 9.119202339209307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instruction-based controllable speech synthesis enables users to specify emotions through natural language. However, existing approaches often rely on coarse emotion labels and lack explicit modeling of fine-grained intensity. We propose EmoInstruct-TTS, a dual-path instruction-guided framework for emotional speech synthesis. We introduce Emotion2embed, a supervised semantic-acoustic emotion embedding covering 48 emotional states, including fine-grained categories and intensity levels. To infer embeddings from free-form instructions, we design an Instruction-Conditioned Emotion Flow Model (ICE-Flow) that generates acoustically grounded emotion representations. The inferred embeddings are integrated into an LLM-based synthesis pipeline to provide explicit emotional control while preserving semantic planning. Experiments show improved emotional controllability and speech naturalness over strong baselines.
• Abstract（参考訳）: 指示に基づく制御可能な音声合成により、ユーザーは自然言語で感情を特定できる。 しかし、既存のアプローチは、しばしば粗い感情ラベルに依存し、きめ細かい強度の明示的なモデリングを欠いている。 感情音声合成のための双方向指導誘導フレームワークであるEmoInstruct-TTSを提案する。 Emotion2embedは48の感情状態をカバーする教師付きセマンティック・音響的感情埋め込みであり、細粒度カテゴリや強度レベルを含む。 自由形式の指示から埋め込みを推定するために,音響的根拠に基づく感情表現を生成するインストラクション・コンディション・エモーション・フロー・モデル(ICE-Flow)を設計する。 推定埋め込みはLLMベースの合成パイプラインに統合され、セマンティックプランニングを保ちながら明確な感情制御を提供する。 実験では、強いベースライン上での感情制御性と音声の自然さが改善された。

関連論文リスト

• EmoTransCap: Dataset and Pipeline for Emotion Transition-Aware Speech Captioning in Discourses [25.739767606548313]
  本研究では、時間的感情動態と談話レベルの音声記述を統合するパラダイムである感情遷移対応音声キャプション(EmoTransCap)を提案する。 これは、談話レベルの感情遷移を捉えるために明示的に設計された最初の大規模データセットである。 また、言論レベルにおいて、制御可能で遷移対応の感情音声合成システムを導入する。
  論文  参考訳（メタデータ） (2026-04-29T08:27:39Z)
• 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)
• 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)
• Prompt-Unseen-Emotion: Zero-shot Expressive Speech Synthesis with Prompt-LLM Contextual Knowledge for Mixed Emotions [38.122477830163255]
  本稿では,感情誘導型プロンプト学習による未知の感情音声を生成するための,新しいプロンプト・アンザイム・感情(PUE)アプローチを提案する。 提案したPUEは、ゼロショット設定における未知の感情の表現的音声合成に成功している。
  論文  参考訳（メタデータ） (2025-06-03T10:59:22Z)
• 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)
• Daisy-TTS: Simulating Wider Spectrum of Emotions via Prosody Embedding Decomposition [12.605375307094416]
  構造モデルに基づく感情の幅広いスペクトルをシミュレートする感情的テキスト・音声設計を提案する。 提案したデザインであるDaisy-TTSは、感情のプロキシとして感情的に分離可能な韻律埋め込みを学習するための韻律エンコーダを組み込んでいる。
  論文  参考訳（メタデータ） (2024-02-22T13:15:49Z)
• 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)
• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
  感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。 本稿では,感情の強さを明示的に表現し,制御することを目的とする。 本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
  論文  参考訳（メタデータ） (2022-01-10T02:11:25Z)

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。