論文の概要: Listen to the Features: Voice Anonymization Driven by Content Embedding Matching over Signal Reconstruction

• arxiv url: http://arxiv.org/abs/2607.09767v1
• Date: Tue, 07 Jul 2026 09:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.185816
• Title: Listen to the Features: Voice Anonymization Driven by Content Embedding Matching over Signal Reconstruction
• Title（参考訳）: 特徴に耳を傾ける:信号再構成におけるコンテンツ埋め込みによる音声匿名化
• Abstract要約: 本稿では,現実的な音声を生成するのではなく,コンテンツを保存することに焦点を当てた音声匿名化モデルを提案する。 凍結保存されたwav2vec2エンコーダから抽出されたコンテンツ埋め込みに依存している。 訓練目的は、匿名化された信号の埋め込みが元の信号と一致することを強制する。
• 参考スコア（独自算出の注目度）: 0.6157382820537719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The paper presents a voice anonymization model focusing on preserving content rather than producing realistic speech. It relies on content embeddings extracted from a frozen pretrained wav2vec2 encoder. These embeddings are decoded into an anonymized signal using vector quantization and a HiFi-GAN vocoder, both trained on LibriTTS without any waveform reconstruction loss or speaker embedding mapping. The training objective enforces that embeddings of the anonymized signal match those of the original one. While training, an auxiliary speaker classification branch with a gradient reversal layer is used to discard speakerspecific information. Results show that this straightforward embedding-based approach achieves very low WER (2.53) with an anonymization performance (EER 13.39) ranking within first level for VPC. Notably, emotions are partially preserved (UAR 43.91), even without a supporting training objective, while the anonymized voice is audible without reconstruction loss.
• Abstract（参考訳）: 本稿では,現実的な音声を生成するのではなく,コンテンツを保存することに焦点を当てた音声匿名化モデルを提案する。 凍結保存されたwav2vec2エンコーダから抽出されたコンテンツ埋め込みに依存している。 これらの埋め込みは、ベクトル量子化とHiFi-GANボコーダを用いて匿名化された信号にデコードされる。 訓練目的は、匿名化された信号の埋め込みが元の信号と一致することを強制する。 トレーニング中、勾配反転層を有する補助話者分類枝を使用して、話者固有情報を破棄する。 その結果, この直接埋め込み方式は, 匿名化性能 (EER 13.39) が第1レベルのVPCでランク付けされ, WER (2.53) が極めて低いことが示唆された。 特に、支持訓練対象がなくても感情を部分的に保存し(UAR43.91)、匿名化音声は再建損失なく聴取することができる。

関連論文リスト

• SignDeepSC: A Semantic Signature-based Approach for Robust Semantic Communication [4.042562775811428]
  SignDeepSCは、トレーニング中に対向的なサンプル生成を必要とせずに、対向的な堅牢性を達成するアーキテクチャ防衛である。 システムは、受信者インスパイアされたセマンティックシグネチャの上に構築され、ソース特徴のコンパクトなベクトル概要が別々の低レート補助チャネルで送信される。
  論文  参考訳（メタデータ） (2026-07-28T12:54:13Z)
• Making the Most of Limited Data: Score-Aware Training for Text-to-Music Generation [1.0323063834827415]
  最先端のテキストから音楽への生成システムは、膨大なプロプライエタリなデータセットと産業規模の計算に依存している。 本稿では、パイプライン全体を通して直接監視信号として、音声キャプチャアライメントスコアを扱うテキストスコア認識トレーニングを提案する。
  論文  参考訳（メタデータ） (2026-06-05T15:24:36Z)
• Privacy-Preserving Semantic Communications via Multi-Task Learning and Adversarial Perturbations [49.494000480610225]
  本稿では,ディープラーニングに基づくセマンティックコミュニケーションフレームワークを提案する。 シーケンシャルなリークをeavesdropperに明示的に制限しながら、複数の受信タスクをサポートする。 摂動層は、正当なリンクが自身のタスクのためにのみ訓練された場合でも、セマンティックリークを低減することに成功している。
  論文  参考訳（メタデータ） (2025-12-30T20:19:49Z)
• Transcription-Free Fine-Tuning of Speech Separation Models for Noisy and Reverberant Multi-Speaker Automatic Speech Recognition [18.50957174600796]
  重なり合う話者の自動音声認識(ASR)の解決策は、音声を分離し、分離された信号でASRを実行することである。 現在、セパレータはASR性能を劣化させるアーティファクトを生産している。 本稿では,音声信号のみを用いた共同学習のための書き起こし不要手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T08:20:58Z)
• Fill in the Gap! Combining Self-supervised Representation Learning with Neural Audio Synthesis for Speech Inpainting [14.402357651227003]
  本稿では,音声信号の欠落部分を周囲の文脈から再構成する音声認識用SSLモデルについて検討する。 その目的のために、SSLエンコーダ、すなわち HuBERT とニューラルヴォコーダ、すなわち HiFiGAN を組み合わせてデコーダの役割を演じる。
  論文  参考訳（メタデータ） (2024-05-30T14:41:39Z)
• Lip2Vec: Efficient and Robust Visual Speech Recognition via Latent-to-Latent Visual to Audio Representation Mapping [4.271091833712731]
  従来のモデルから学習するシンプルなアプローチであるLip2Vecを提案する。 提案手法は LRS3 データセット上で26 WER を達成する完全教師付き学習法と比較した。 我々は、VSRをASRタスクとして再プログラムすることで、両者のパフォーマンスギャップを狭め、より柔軟な唇読解法を構築することができると考えている。
  論文  参考訳（メタデータ） (2023-08-11T12:59:02Z)
• Wav2Seq: Pre-training Speech-to-Text Encoder-Decoder Models Using Pseudo Languages [58.43299730989809]
  本稿では,音声データに対するエンコーダ・デコーダモデルの両部分を事前学習するための,最初の自己教師型アプローチであるWav2Seqを紹介する。 我々は、コンパクトな離散表現として擬似言語を誘導し、自己教師付き擬似音声認識タスクを定式化する。 このプロセスは独自のものであり、低コストの第2段階のトレーニングとして適用することができる。
  論文  参考訳（メタデータ） (2022-05-02T17:59:02Z)
• Pre-Training Transformer Decoder for End-to-End ASR Model with Unpaired Speech Data [145.95460945321253]
  本稿では,音響単位,すなわち擬似符号を用いたエンコーダ・デコーダネットワークのための2つの事前学習タスクを提案する。 提案したSpeech2Cは,デコーダを事前学習することなく,単語誤り率(WER)を19.2%削減できる。
  論文  参考訳（メタデータ） (2022-03-31T15:33:56Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Word Order Does Not Matter For Speech Recognition [35.96275156733138]
  全ての出力フレームの分布を集約する単語レベル音響モデルを訓練する。 次に、コネクショニストの時間的分類損失を用いて文字ベース音響モデルを訓練する。 本システムでは,LibriSpeechの2.4%/5.3%をテストクリーン/テスト-その他のサブセットで実現している。
  論文  参考訳（メタデータ） (2021-10-12T13:35:01Z)
• Wav2vec-Switch: Contrastive Learning from Original-noisy Speech Pairs for Robust Speech Recognition [52.71604809100364]
  音声の文脈化表現に雑音のロバスト性をエンコードするwav2vec-Switchを提案する。 具体的には、オリジナルノイズの多い音声ペアを同時にwav2vec 2.0ネットワークに供給する。 既存のコントラスト学習タスクに加えて、原音声と雑音音声の量子化表現を追加の予測対象に切り替える。
  論文  参考訳（メタデータ） (2021-10-11T00:08:48Z)
• FragmentVC: Any-to-Any Voice Conversion by End-to-End Extracting and Fusing Fine-Grained Voice Fragments With Attention [66.77490220410249]
  本稿では、Wav2Vec 2.0から、音源話者からの発声の潜在音声構造を求めるFragmentVCを提案する。 FragmentVCは、ターゲット話者発話からきめ細かい音声断片を抽出し、所望の発話に融合することができる。 提案手法は, コンテンツと話者情報との絡み合いを考慮せずに, 再構成損失を学習する。
  論文  参考訳（メタデータ） (2020-10-27T09:21:03Z)
• Continuous speech separation: dataset and analysis [52.10378896407332]
  自然な会話では、音声信号は連続的であり、重複成分と重複成分の両方を含む。 本稿では,連続音声分離アルゴリズムを評価するためのデータセットとプロトコルについて述べる。
  論文  参考訳（メタデータ） (2020-01-30T18:01:31Z)

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。