Fugu-MT 論文翻訳(概要): NouveauVoice: Generating Novel Pseudo Speakers for Voice Anonymization

論文の概要: NouveauVoice: Generating Novel Pseudo Speakers for Voice Anonymization

arxiv url: http://arxiv.org/abs/2607.03985v1
Date: Sat, 04 Jul 2026 19:05:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.785463
Title: NouveauVoice: Generating Novel Pseudo Speakers for Voice Anonymization
Title（参考訳）: NouveauVoice: 音声匿名化のための新しい擬似話者生成
Abstract要約: 階層型深部変分オートエンコーダ(NVAE)に基づく新しい擬似話者生成フレームワークを提案する。最先端アーキテクチャ(FACodecとCosyVoice2)上のスタンドアロンプラグインモジュールとして統合された我々は、NouveauVoiceが強力なアイデンティティ隠蔽を実現し、EER(Equal Error Rate)が自動話者検証攻撃モデルに対して38%を超えることを実証した。
参考スコア（独自算出の注目度）: 22.105861111920543
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Advanced neural technologies in speech synthesis and voice conversion (VC) have introduced severe risks to personal privacy, necessitating robust Speaker Anonymization Systems (SAS). Existing SAS approaches modify voice characteristics in the hand-crafted feature space or speaker embedding space, often struggling to provide sufficient identity variance across generated voices. In this paper, we propose NouveauVoice, a novel pseudo-speaker generation framework based on a Hierarchical Deep Variational Autoencoder (NVAE). Integrated as a standalone plug-in module on top of state-of-the-art architectures (FACodec and CosyVoice2), our approach leverages tractable sampling and the Evidence Lower Bound (ELBO) objective to synthesize highly expressive pseudo-speaker embeddings with significantly enhanced speaker diversity. Evaluating our framework under a protocol similar to the VoicePrivacy Challenge alongside Maximum Mean Discrepancy (MMD) analysis, we demonstrate that NouveauVoice achieves strong identity concealment, yielding an Equal Error Rate (EER) exceeding 38% against an automatic speaker verification attacker model. Our system shows a reasonable trade-off between strict anonymity, rich pseudo-speaker diversity, and downstream speech utility, such as intelligibility and emotional expressiveness.
Abstract（参考訳）: 音声合成および音声変換(VC)における高度なニューラル技術は、堅牢な話者匿名システム(SAS)を必要とする、個人のプライバシーに深刻なリスクをもたらしている。既存のSASアプローチは手作りの特徴空間や話者埋め込み空間における音声特性を変化させ、しばしば生成された音声間で十分なアイデンティティのばらつきを提供するのに苦労する。本稿では,階層型深部変分オートエンコーダ(NVAE)に基づく新しい擬似話者生成フレームワークであるNouveauVoiceを提案する。最先端アーキテクチャ(FACodecとCosyVoice2)上に独立したプラグインモジュールとして統合された本手法では,抽出可能なサンプリングとELBO(Evidence Lower Bound)の目的を利用して,高度に表現力のある擬似話者埋め込みを合成し,話者の多様性を著しく向上する。最大平均離散度(MMD)分析とともにVoicePrivacy Challenge(VoicePrivacy Challenge)と同様のプロトコルで,NouveauVoiceが強力なアイデンティティ隠蔽を実現し,自動話者検証攻撃モデルに対してEER(Equal Error Rate)が38%を超えることを実証した。本システムでは, 厳密な匿名性, 豊かな擬似話者多様性, 信頼度, 感情表現性などの下流音声ユーティリティとの合理的なトレードオフを示す。

関連論文リスト

Covo-Audio Technical Report [61.09708870154148]
7BバックエンドのLALMであるCovo-Audioは、連続的なオーディオ入力を直接処理し、単一の統一アーキテクチャ内でオーディオ出力を生成する。対話指向の変種であるCovo-Audio-Chatは、意味的に強い会話能力を示す。
論文参考訳（メタデータ） (2026-02-10T14:31:11Z)
Stream-Voice-Anon: Enhancing Utility of Real-Time Speaker Anonymization via Neural Audio Codec and Language Models [51.7170633585748]
Stream-Voice-Anonは、ストリーミングスピーカーの匿名化に特化して、現代的なLMベースのNACアーキテクチャを適用している。匿名化アプローチには、擬似話者表現サンプリング、話者埋め込みミキシング、多様なプロンプト選択戦略が組み込まれている。 VoicePrivacy 2024 Challengeプロトコルの下で、Stream-Voice-Anonは知性を大幅に改善した。
論文参考訳（メタデータ） (2026-01-20T13:23:44Z)
Analyzing and Improving Speaker Similarity Assessment for Speech Synthesis [20.80178325643714]
生成音声システムでは、IDは自動話者検証(ASV)埋め込みを用いて評価されることが多い。広く使われているASV埋め込みは,リズムなどの動的要素を無視しつつ,音色やピッチ範囲などの静的特徴に主眼を置いていることがわかった。これらのギャップに対処するために、話者の動的リズムパターンを評価する指標であるU3Dを提案する。
論文参考訳（メタデータ） (2025-07-02T22:16:42Z)
GenVC: Self-Supervised Zero-Shot Voice Conversion [31.94758615908198]
GenVCは、音声信号から話者のアイデンティティと言語コンテンツを自己管理的に切り離す新しいフレームワークである。結果,GenVCの話者類似度は,ゼロショットアプローチと同等の自然度で顕著に向上した。
論文参考訳（メタデータ） (2025-02-06T21:40:09Z)
Unispeaker: A Unified Approach for Multimodality-driven Speaker Generation [66.49076386263509]
本稿では,マルチモーダリティ駆動型話者生成のための統一的アプローチであるUniSpeakerを紹介する。 KV-Formerに基づく統一音声アグリゲータを提案し、多様な音声記述のモダリティを共有音声空間にマッピングするためにソフトコントラストロスを適用した。 UniSpeakerはMVCベンチマークを用いて5つのタスクで評価され、実験結果により、UniSpeakerは従来のモダリティ固有のモデルよりも優れていることが示された。
論文参考訳（メタデータ） (2025-01-11T00:47:29Z)
Non-autoregressive real-time Accent Conversion model with voice cloning [0.0]
我々は音声クローンを用いたリアルタイムアクセント変換のための非自己回帰モデルを開発した。このモデルは入力L2音声に基づいて最小レイテンシでネイティブなL1音声を生成する。このモデルは、話者の声の音色、性別、アクセントをリアルタイムで保存し、クローンし、変更することができる。
論文参考訳（メタデータ） (2024-05-21T19:07:26Z)
Self supervised learning for robust voice cloning [3.7989740031754806]
自己教師型フレームワークで学習した特徴を用いて,高品質な音声表現を生成する。学習した特徴は、事前訓練された発話レベルの埋め込みや、非減衰タコトロンアーキテクチャへの入力として使用される。この手法により、ラベルなしマルチスピーカデータセットでモデルをトレーニングし、未知の話者埋め込みを用いて話者の声を模倣することができる。
論文参考訳（メタデータ） (2022-04-07T13:05:24Z)
High Fidelity Speech Regeneration with Application to Speech Enhancement [96.34618212590301]
本稿では,24khz音声をリアルタイムに生成できる音声のwav-to-wav生成モデルを提案する。音声変換法に着想を得て,音源の同一性を保ちながら音声特性を増強する訓練を行った。
論文参考訳（メタデータ） (2021-01-31T10:54:27Z)
Any-to-Many Voice Conversion with Location-Relative Sequence-to-Sequence Modeling [61.351967629600594]
本稿では,非並列音声変換手法である非並列音声変換法(seq2seq)を提案する。本手法では,ボトルネック特徴抽出器(BNE)とセック2セック合成モジュールを組み合わせる。主観的および主観的評価は,提案手法が自然性と話者類似性の両方において優れた音声変換性能を有することを示す。
論文参考訳（メタデータ） (2020-09-06T13:01:06Z)
NAUTILUS: a Versatile Voice Cloning System [44.700803634034486]
NAUTILUSは、任意のソーススピーカのテキスト入力または参照発話から、ターゲット音声で音声を生成することができる。バックプロパゲーションアルゴリズムに基づいて、ターゲット話者の未転写音声を用いて、未知の声をクローンすることができる。最新技術であるTSやVCシステムと同等のクオリティを達成し、翻訳されていない音声を5分でクローンする。
論文参考訳（メタデータ） (2020-05-22T05:00:20Z)
Multi-task self-supervised learning for Robust Speech Recognition [75.11748484288229]
本稿では,雑音および残響環境下での頑健な音声認識のためのPASE+を提案する。我々は、様々なランダムな乱れで入力信号を汚染するオンライン音声歪みモジュールを用いる。次に,再帰型ネットワークと畳み込み型ネットワークを効率よく組み合わせて,短時間および長期の音声力学をよりよく学習する改良型エンコーダを提案する。
論文参考訳（メタデータ） (2020-01-25T00:24:45Z)

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。