論文の概要: VocalRender: Score-Native Singing Voice Synthesis for Real-World Composition

• arxiv url: http://arxiv.org/abs/2607.27768v1
• Date: Thu, 30 Jul 2026 07:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.429816
• Title: VocalRender: Score-Native Singing Voice Synthesis for Real-World Composition
• Title（参考訳）: VocalRender: 実世界の合成のためのスコアNative Singing Voice Synthesis
• Abstract要約: 本稿では,歌詞,ピッチ,記号音符値,テンポから直接歌唱を合成するスコアネイティブシステムであるVocalRenderを提案する。 インターリーブされた音符表現と自己回帰拡散モデルを用いて、出力長を予測しながら連続的な音響潜在音を生成する。 強い知性、強いメロディ制御、ドメイン内ベンチマークと外部ベンチマークの両方で高い話者類似性を実現する。
• 参考スコア（独自算出の注目度）: 45.70355425430011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing singing voice synthesis systems often require predefined durations, explicit duration prediction, or time-aligned acoustic guidance, which limits their compatibility with practical composition workflows. We propose VocalRender, a score-native system that directly synthesizes singing from lyrics, pitches, symbolic note values, and tempo. It uses an interleaved lyric--note representation and an autoregressive diffusion model to generate continuous acoustic latents while predicting the output length, eliminating the need for explicit duration prediction. Trained on a 2,300-hour singing dataset, VocalRender achieves strong intelligibility, strong melody control, and high speaker similarity across both in-domain and out-of-domain benchmarks. Notably, it outperforms the strongest baseline by $0.42$ points in naturalness CMOS, demonstrating the effectiveness of our proposed score-native architecture.
• Abstract（参考訳）: 既存の歌唱音声合成システムでは、事前に定義された期間、明示的な期間予測、時間順の音響誘導が必要であり、実際の作曲ワークフローとの互換性を制限している。 本稿では,歌詞,ピッチ,記号音符値,テンポから直接歌唱を合成するスコアネイティブシステムであるVocalRenderを提案する。 インターリーブされた音符表現と自己回帰拡散モデルを用いて、出力長を予測しながら連続的な音響潜伏音を生成する。 2300時間の歌唱データセットに基づいてトレーニングされたVocalRenderは、強いインテリジェンス、強力なメロディ制御、ドメイン内ベンチマークとドメイン外ベンチマークの両方で高い話者類似性を達成している。 特に、Naturity CMOSの0.42$ポイントで最強のベースラインを上回り、提案したスコアネイティブアーキテクチャの有効性を示す。

関連論文リスト

• YingMusic-Singer: Zero-shot Singing Voice Synthesis and Editing with Annotation-free Melody Guidance [16.462715982402884]
  SVS(Singing Voice Synthesis)は、音素レベルの正確なアライメントに強く依存しているため、実際の展開には制約が残っている。 メロディに追従した任意の歌詞を合成できるメロディ駆動のSVSフレームワークを提案する。 提案手法は,Diffusion Transformer (DiT) アーキテクチャ上に構築され,メロディ抽出モジュールに拡張されている。
  論文  参考訳（メタデータ） (2025-12-04T13:25:33Z)
• SmoothSinger: A Conditional Diffusion Model for Singing Voice Synthesis with Multi-Resolution Architecture [3.7937714754535503]
  SmoothSingerは高品質で自然な歌声を合成するための条件拡散モデルである。 低品質の合成オーディオを統一されたフレームワークで直接洗練し、2段階のパイプラインに関連する劣化を緩和する。 大規模な中国語歌唱コーパスであるOpencpopデータセットの実験は、SmoothSingerが最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-06-26T17:07:45Z)
• End-to-End Real-World Polyphonic Piano Audio-to-Score Transcription with Hierarchical Decoding [4.604877755214193]
  既存のピアノA2Sシステムは、合成データのみで訓練され、評価されている。 楽譜の階層構造に整合した階層デコーダを用いたシーケンス・ツー・シーケンス(Seq2Seq)モデルを提案する。 本研究では,合成音声上での表現的パフォーマンスレンダリングシステムを用いてモデルを事前学習する2段階学習手法を提案し,続いて人間の演奏記録を用いてモデルを微調整する。
  論文  参考訳（メタデータ） (2024-05-22T10:52:04Z)
• A Real-Time Lyrics Alignment System Using Chroma And Phonetic Features For Classical Vocal Performance [7.488651253072641]
  リアルタイムの歌詞アライメントの目標は、ライブの歌唱音声を入力として、その歌詞内の正確な位置をオンザフライでピンポイントすることである。 このタスクは、ライブコンサートやオペラの自動サブティットなど、現実世界のアプリケーションに役立てることができる。 本稿では,2つのコントリビューションを持つ古典的ボーカル演奏のためのリアルタイム歌詞アライメントシステムを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:25:32Z)
• Enhancing the vocal range of single-speaker singing voice synthesis with melody-unsupervised pre-training [82.94349771571642]
  本研究では, メロディ非教師型マルチスピーカ事前学習法を提案し, シングルスピーカの発声域を拡大する。 合成音声のリズム自然性を改善するために、識別可能な持続時間調整器を導入するのは、これが初めてである。 実験により,提案したSVSシステムは,音質と自然性の両方において,ベースラインよりも優れていることを確認した。
  論文  参考訳（メタデータ） (2023-09-01T06:40:41Z)
• Towards Improving the Expressiveness of Singing Voice Synthesis with BERT Derived Semantic Information [51.02264447897833]
  本稿では、変換器(BERT)から派生したセマンティック埋め込みから双方向エンコーダ表現を用いた、エンドツーエンドの高品質な歌声合成(SVS)システムを提案する。 提案したSVSシステムは、高品質なVISingerで歌声を生成することができる。
  論文  参考訳（メタデータ） (2023-08-31T16:12:01Z)
• Make-A-Voice: Unified Voice Synthesis With Discrete Representation [77.3998611565557]
  Make-A-Voiceは、個別表現から音声信号を合成・操作するための統合されたフレームワークである。 我々は,Make-A-Voiceは,競合するベースラインモデルと比較して,音質とスタイルの類似性が優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-30T17:59:26Z)
• RMSSinger: Realistic-Music-Score based Singing Voice Synthesis [56.51475521778443]
  RMS-SVSは、異なる音符タイプでリアル音楽のスコアを与えられた高品質な歌声を生成することを目的としている。 RMS-SVS方式であるRMSSingerを提案する。 RMSSingerでは,時間を要する音素の持続時間アノテーションと複雑な音素レベルのメルノートアライメントを避けるために,単語レベルのモデリングを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:57:51Z)
• DiffSinger: Diffusion Acoustic Model for Singing Voice Synthesis [53.19363127760314]
  DiffSingerは、音楽スコアで調整されたメログラムにノイズを反復的に変換するパラメータ化されたマルコフチェーンです。 中国の歌唱データセットで行った評価は、DiffSingerが最先端のSVSワークを顕著な差で上回っていることを示している。
  論文  参考訳（メタデータ） (2021-05-06T05:21:42Z)

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。