Fugu-MT 論文翻訳(概要): LILAC: An Idempotent Neural Speech Codec

論文の概要: LILAC: An Idempotent Neural Speech Codec

arxiv url: http://arxiv.org/abs/2608.05727v1
Date: Thu, 06 Aug 2026 08:09:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 17:43:06.711213
Title: LILAC: An Idempotent Neural Speech Codec
Title（参考訳）: Idempotent Neural Speech Codec LILAC
Abstract要約: LILACは9.375Hzと0.75kbit/sで完全畳み込み24kHzの音声である。 LILACは9.375Hzと0.75kbit/sで完全畳み込み24kHzの音声である。
参考スコア（独自算出の注目度）: 44.07258358805709
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural Audio Codecs are widely adopted in speech generation and editing. However, existing neural audio codecs are not idempotent: across the paper's twelve baseline systems, every configuration tested rewrites, on average, at least 15% of its tokens in a single decode-re-encode pass. This poses a problem for utilizing Neural Audio Codecs as token interfaces in pipelines where re-encoding decoded outputs can occur. We present LILAC, a fully convolutional 24 kHz speech codec at 9.375 Hz and 0.75 kbit/s that is codec idempotent by construction; re-encoding the decoded audio of any valid token stream returns the identical stream. LILAC achieves idempotency while maintaining competitive quality, reaching UTMOS 4.14 and 4.24 on LibriSpeech and LibriTTS-R test sets, comparable to SOTA sub-1 kbit/s Neural Audio Codecs.
Abstract（参考訳）: ニューラルオーディオコーデックは音声生成と編集に広く採用されている。論文の12のベースラインシステムを通じて、すべての構成が平均して、トークンの少なくとも15%を1つのデコード-再エンコードパスで書き直した。これにより、再エンコードされた出力が発生するパイプラインのトークンインターフェースとしてNeural Audio Codecsを使用するという問題が発生する。完全畳み込み型24kHz音声コーデックであるLILACを9.375Hz、0.75kbit/sで構成し、任意の有効なトークンストリームの復号音声を復号して同一ストリームを返す。 LILACは競合品質を維持しながらイデオロシティを実現し、LibriSpeech と LibriTTS-R テストセットで UTMOS 4.14 と 4.24 に達し、SOTA sub-1 kbit/s Neural Audio Codecs に匹敵する。

関連論文リスト

CleanCodec: Efficient and Robust Speech Tokenization via Perceptually Guided Encoding [15.228841447073668]
CleanCodecは、知覚上重要な機能のみをエンコードし、認識不能な情報を破棄することを学ぶ。毎秒わずか12.5トークンで、CleanCodecは最先端のトークン化効率を達成する。
論文参考訳（メタデータ） (2026-06-03T03:56:14Z)
EntangleCodec: A Unified Discrete Audio Tokenizer via Semantic-Acoustic Entanglement [54.95940885045993]
EntangleCodecは、量子化の前にキャプションに沿った意味音響表現を学習する独立したオーディオトークンである。コンパクトなトークンストリーム内に言語内容、話者識別、感情、韻律、音響シーンをキャプチャする。特殊なコーデックと競合する再構成品質を実現し、統合されたフレームワークでTSとTTAの生成をサポートする。
論文参考訳（メタデータ） (2026-06-01T18:05:18Z)
How to Label Resynthesized Audio: The Dual Role of Neural Audio Codecs in Audio Deepfake Detection [60.88800374832363]
最近のスプーフ検出研究では、ボコーダとニューラルオーディオコーデックの合成波形を用いて攻撃者をシミュレートしている。ラベル付け選択の違いが検出性能にどのように影響するかを調べ,ラベル付け戦略に対する洞察を提供する。
論文参考訳（メタデータ） (2026-02-18T10:29:07Z)
FocalCodec-Stream: Streaming Low-Bitrate Speech Coding via Causal Distillation [27.32235541083431]
FocalCodec-Streamは、音声を1つのバイナリコードブックに0.55から0.80kbpsで圧縮し、理論的な遅延は80msである。実験によると、FocalCodec-Streamは既存のストリーム可能なコーデックを同等の性能で上回っている。
論文参考訳（メタデータ） (2025-09-19T17:57:13Z)
Finite Scalar Quantization Enables Redundant and Transmission-Robust Neural Audio Compression at Low Bit-rates [1.445167946386569]
我々は,Finite Scalar Quantization (FSQ) が,ノイズチャネルを介して伝送されるときにロバストな符号化を生成する,焼き込み冗長性を符号化していることを示す。ノイズチャネルによるコードシーケンスの伝送をシミュレートする際の RVQ と FSQ コーデックの性能を比較することにより,FSQ のビットレベルの摂動が極めて優れていることを示す。
論文参考訳（メタデータ） (2025-09-11T15:39:59Z)
SecoustiCodec: Cross-Modal Aligned Streaming Single-Codecbook Speech Codec [83.61175662066364]
音声コーデックは、音声とテキスト言語モデルを統一するための重要なブリッジとして機能する。既存の手法はセマンティックエンコーディングにおいていくつかの課題に直面している。本稿では,クロスモーダルな低ビットレートストリーミング音声コーデックSecoustiCodecを提案する。
論文参考訳（メタデータ） (2025-08-04T19:22:14Z)
FlowDec: A flow-based full-band general audio codec with high perceptual quality [90.05968801459524]
FlowDecは、48kHzでサンプリングされた一般的なオーディオのためのニューラルフルバンドオーディオコーデックである。音声から一般的な音声へ一般化し、24kbit/sから4kbit/sまで移行する。
論文参考訳（メタデータ） (2025-03-03T12:49:09Z)
A Closer Look at Neural Codec Resynthesis: Bridging the Gap between Codec and Waveform Generation [65.05719674893999]
トークン予測と回帰に基づく2つの戦略について検討し,Schr"odinger Bridgeに基づく新しい手法を提案する。異なるデザイン選択が機械と人間の知覚にどのように影響するかを検討する。
論文参考訳（メタデータ） (2024-10-29T18:29:39Z)
SNAC: Multi-Scale Neural Audio Codec [1.0753191494611891]
マルチスケールニューラルオーディオコーデックはRVQの単純な拡張であり、量子化器は異なる時間分解能で動作することができる。本稿では,様々な時間分解能で量子化器を動作させることができるRVQの簡易拡張であるマルチスケールニューラルオーディオコーデックを提案する。
論文参考訳（メタデータ） (2024-10-18T12:24:05Z)
SemantiCodec: An Ultra Low Bitrate Semantic Audio Codec for General Sound [40.810505707522324]
SemantiCodecは、様々なオーディオタイプで毎秒100トークン未満にオーディオを圧縮するように設計されている。本稿では,セマンティコーデックが再現性に関する最先端の記述を著しく上回っていることを示す。また,SemantiCodecは,評価されたすべての最先端オーディオコーデックよりもはるかにリッチな意味情報を含んでいることも示唆した。
論文参考訳（メタデータ） (2024-04-30T22:51:36Z)
SoundStream: An End-to-End Neural Audio Codec [78.94923131038682]
本稿では,音声,音楽,一般音声を効率よく圧縮できる新しいニューラルオーディオシステムSoundStreamを紹介する。 SoundStreamは完全な畳み込みエンコーダ/デコーダネットワークと残留ベクトル量子化器に頼っている。エンコーダまたはデコーダ側で、追加のレイテンシなしで、共同圧縮と拡張を行うことができます。
論文参考訳（メタデータ） (2021-07-07T15:45:42Z)

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。